Rocky的部落格

Prewitt算子

基礎理論: Prewitt算子與Sobel算子類似，都是用於邊緣檢測的卷積算子，用於計算圖像的一階導數。但與Sobel算子的核不同，Prewitt算子使用均勻的權重。

Prewitt算子的核如下：

水平方向:

垂直方向:

同樣地，這些核可以分別應用於圖像，以得到水平和垂直的梯度。這些梯度可以進一步結合，以得到整體的梯度大小和方向。

舉例: 將Prewitt算子應用於圖像的每個像素，計算其水平和垂直梯度。然後，這些梯度可以被合併以形成完整的邊緣響應。

接下來，我將使用Python和OpenCV來示範如何使用Prewitt算子進行邊緣檢測。

# Define Prewitt operators
prewitt_x = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]])
prewitt_y = np.array([[-1, -1, -1], [0, 0, 0], [1, 1, 1]])

# Compute the horizontal and vertical gradients using the Prewitt operator
prewitt_grad_x = cv2.filter2D(image, cv2.CV_64F, prewitt_x)
prewitt_grad_y = cv2.filter2D(image, cv2.CV_64F, prewitt_y)

# Combine the two gradients to get the overall gradient magnitude
prewitt_magnitude = cv2.magnitude(prewitt_grad_x, prewitt_grad_y)

# Normalize the results to fit into the range [0, 255]
prewitt_grad_x_normalized = cv2.normalize(prewitt_grad_x, None, 0, 255, cv2.NORM_MINMAX).astype(np.uint8)
prewitt_grad_y_normalized = cv2.normalize(prewitt_grad_y, None, 0, 255, cv2.NORM_MINMAX).astype(np.uint8)
prewitt_magnitude_normalized = cv2.normalize(prewitt_magnitude, None, 0, 255, cv2.NORM_MINMAX).astype(np.uint8)

# Display the original, Prewitt X, Prewitt Y, and magnitude images side by side
fig, axes = plt.subplots(1, 4, figsize=(20, 6))

axes[0].imshow(image)
axes[0].axis('off')
axes[0].set_title('Original Image')

axes[1].imshow(prewitt_grad_x_normalized, cmap='gray')
axes[1].axis('off')
axes[1].set_title('Prewitt X')

axes[2].imshow(prewitt_grad_y_normalized, cmap='gray')
axes[2].axis('off')
axes[2].set_title('Prewitt Y')

axes[3].imshow(prewitt_magnitude_normalized, cmap='gray')
axes[3].axis('off')
axes[3].set_title('Prewitt Magnitude')

plt.tight_layout()
plt.show()

以下是Prewitt算子的優缺點、建議、策略：

這些資訊應該能夠幫助您更好地了解和應用Prewitt算子。