Postman

Postman是一個可擴展的API開發和測試協同平台工具，可以快速集成到CI/CD管道中。旨在簡化測試和開發中的API工作流。

Postman 工具有 Chrome 擴展和獨立客戶端，推薦安裝獨立客戶端。

Postman 有個 workspace 的概念，workspace 分 personal 和 team 類型。Personal workspace 只能自己查看的 API，Team workspace 可添加成員和設置成員權限，成員之間可共同管理 API。

當然我個人使用一般是不登錄的，因為登錄之後會自動將你的測試歷史數據保存到賬戶里，你可以登陸網頁端進行查看。
因為API的很多數據是很敏感的，有的含有Token，或者就是一些私密信息，雖然Postman自己也強調說這樣很安全，不會私下窺探用戶的信息之類的，但是呢還是至少做一點有效的防範吧，自己不上傳，因為網絡並沒有絕對的安全。
所以我每次測試之後會將數據(Case)保存在本地，下次使用或者換設備的情況下將數據拷貝過來又可以繼續使用了。

下面正式開始介紹如何使用Postman吧。

為什麼選擇Postman?

如今，Postman的開發者已超過1000萬(來自官網)，選擇使用Postman的原因如下:
簡單易用 – 要使用Postman，你只需登錄自己的賬戶，只要在電腦上安裝了Postman應用程序，就可以方便地隨時隨地訪問文件。
使用集合 – Postman允許用戶為他們的API調用創建集合。每個集合可以創建子文件夾和多個請求。這有助於組織測試結構。
多人協作 – 可以導入或導出集合和環境，從而方便共享文件。直接使用鏈接還可以用於共享集合。
創建環境 – 創建多個環境有助於減少測試重複(DEV/QA/STG/UAT/PROD)，因為可以為不同的環境使用相同的集合。這是參數化發生的地方，將在後續介紹。
創建測試 – 測試檢查點(如驗證HTTP響應狀態是否成功)可以添加到每個API調用中，這有助於確保測試覆蓋率。
自動化測試 – 通過使用集合Runner或Newman，可以在多個迭代中運行測試，節省了重複測試的時間。
調試 – Postman控制台有助於檢查已檢索到的數據，從而易於調試測試。
持續集成——通過其支持持續集成的能力，可以維護開發實踐。

如何下載安裝Postman？

Step 1） 官網主頁：https://www.postman.com/downloads/， 下載所需版本進行安裝即可。

Step2）安裝完成之後會要求你必須登錄才能使用，沒有賬號可以進行註冊，註冊是免費的。(也可使用Google賬號，不過基本不能登錄，你懂的)

Step3）在Workspace選擇你要使用的工具並點擊“Save My Preferences”保存。

Step4）你將看到啟動后的頁面如下

如何使用Postman?

下圖是Postman的工作區間，各個模塊功能的介紹如下：

1、New，在這裏創建新的請求、集合或環境；還可以創建更高級的文檔、Mock Server 和 Monitor以及API。
2、Import，這用於導入集合或環境。有一些選項，例如從文件，文件夾導入，鏈接或粘貼原始文本。
3、Runner，可以通過Collection Runner執行自動化測試。後續介紹。
4、Open New，打開一個新的標籤，Postman窗口或Runner窗口。
5、My Workspace – 可以單獨或以團隊的形式創建新的工作區。
6、Invite – 通過邀請團隊成員在工作空間上進行協同工作。
7、History – 所有秦秋的歷史記錄，這樣可以很容易地跟蹤你所做的操作。
8、Collections – 通過創建集合來組織你的測試套件。每個集合可能有子文件夾和多個請求。請求或文件夾也可以被複制。
9、Request tab – 這將显示您正在處理的請求的標題。默認對於沒有標題的請求會显示“Untitled Request”。
10、HTTP Request – 單擊它將显示不同請求的下拉列表，例如 GET, POST, COPY, DELETE, etc. 在測試中，最常用的請求是GET和POST。
11、Request URL – 也稱為端點，显示API的URL。.
12、Save – 如果對請求進行了更改，必須單擊save，這樣新更改才不會丟失或覆蓋。
13、Params – 在這裏將編寫請求所需的參數，比如Key – Value。
14、Authorization – 為了訪問api，需要適當的授權。它可以是Username、Password、Token等形式。
15、Headers – 請求頭信息
16、Body – 請求體信息，一般在POST中才會使用到
17、Pre-request Script – 請求之前 先執行腳本，使用設置環境的預請求腳本來確保在正確的環境中運行測試。
18、Tests – 這些腳本是在請求期間執行的。進行測試非常重要，因為它設置檢查點來驗證響應狀態是否正常、檢索的數據是否符合預期以及其他測試。
19、Settings – 最新版本的有設置，一般用不到。

如何處理GET請求

Get請求用於從指定的URL獲取信息，不會對端點進行任何更改。
在這裏我們使用如下的URL作為演示：

https://jsonplaceholder.typicode.com/users	

在Postman的工作區中：
1、選擇HTTP請求方式為GET
2、在URL區域輸入 鏈接
3、點擊 “Send”按鈕
4、你將看到下方返回200狀態碼
5、在正文中應該有10個用戶結果，表明您的測試已經成功運行。

注意：在某些情況下，Get請求失敗可能由於URL無效或需要身份驗證。

如何處理POST請求

Post請求與Get請求不同，因為存在用戶向端點添加數據的數據操作。使用之前GET 請求中相同數據，現在添加我們自己的用戶。
Step 1）創建一個新請求

Step 2 ）在新請求中
1、選擇HTTP請求方式為GET
2、在URL區域輸入 鏈接：https://jsonplaceholder.typicode.com/users
3、切換到Body選項

Step 3） Body選項
1、選中raw選項
2、選擇JSON

Step 4） 複製前面GET請求返回的json內容的第一節
更改id為11，更改name以及uesrname和email

[
    {
        "id": 11,
        "name": "Krishna Rungta",
        "username": "Bret",
        "email": "Sincere@april.biz
	",
        "address": {
            "street": "Kulas Light",
            "suite": "Apt. 556",
            "city": "Gwenborough",
            "zipcode": "92998-3874",
            "geo": {
                "lat": "-37.3159",
                "lng": "81.1496"
            }
        },
        "phone": "1-770-736-8031 x56442",
        "website": "hildegard.org",
        "company": {
            "name": "Romaguera-Crona",
            "catchPhrase": "Multi-layered client-server neural-net",
            "bs": "harness real-time e-markets"
        }
    }
]

注意： 檢查Body里用到的JSON格式很重要，以確保數據正確。
檢測的工具比如：https://jsonformatter.curiousconcept.com/

Step 5 ）發送請求
1、完成上述的信息輸入，點擊Send按鈕
2、Status:應該是201，显示為創建成功
3、在Body里返回數據

如何將請求參數化

數據參數化是Postman最有用的特徵之一。你可以將使用到的變量進行參數化，而不是使用不同的數據創建相同的請求，這樣會事半功倍，簡潔明了。
這些數據可以來自數據文件或環境變量。參數化有助於避免重複相同的測試，可用於自動化迭代測試。

參數通過使用雙花括號創建:{{sample}}。
比如下面的請求：

接下來創建一個參數化get請求：
Step 1） 創建一個參數化get請求
1、將HTTP請求設置為GET
2、輸入URL： https://jsonplaceholder.typicode.com/users；將鏈接的域名部分替換為參數，例如{{url}}。請求url現在應該是{{url}}/users。
3、點擊Send按鈕。
應該沒有響應，因為我們沒有設置參數的源，如下圖：

Step 2) 使用環境設置所需的參數
1、點擊眼睛圖標
2、單擊Edit將該變量設置為可在所有集合中使用的全局環境。

Step 3） 變量–variable
1、將名稱設置為url，該url為https://jsonplaceholder.typicode.com
2、點擊保存按鈕

Step 4） 如果看到下面截圖的樣式，請單擊Close

Step 5 ） 回到你的Get請求頁面，然後單擊發送Send按鈕，Get請求應該就會返回結果了，如下圖：

注意：請確保所有的參數都有準確的源數據，不管是環境變量還是數據文件，以避免出錯。

如何創建Postman Tests

Postman Tests在請求中添加JavaScript代碼來協助驗證結果，如：成功或失敗狀態、預期結果的比較等等。
通常從pm.test開始。它可以與斷言相比較，驗證其他工具中可用的命令。
接下來創建一個包含Tests的請求：
Step 1） 創建一個Get請求
1、切換到Tests選項，右邊是代碼片段選項。
2、從右邊的代碼片段選項裏面選中 “Status code: Code is 200”
3、JS代碼就自動出現在窗口中

Step 2) 點擊發送請求按鈕。測試結果就显示出來了，如下圖：

Step 3) 回到Tests選項卡，讓我們添加另一個測試。這次我們將比較預期結果和實際結果。
在右邊的SNIPPETS區域選擇”Response body:JSON value check”選項，我們將檢查Leanne Graham是否擁有userid 1。

Step 4）
1、將代碼中的“Your Test Name”替換為“Check if user with id1 is Leanne Graham”，以便測試名稱確切描述我們想測試的內容。
2、使用jsonData[0].name代替jsonData.value; 獲取路徑，在獲取結果之前檢查Body。因為Leanne Graham是userid 1，所以jsonData在第一個結果中，這個結果應該從0開始。如果你想獲得第二個結果，那麼對後續結果使用jsonData[1] 即可。
3、在eql中，輸入“Leanne Graham”

pm.test("Check if user with id1 is Leanne Graham", function () {
    var jsonData = pm.response.json();
    pm.expect(jsonData[0].name).to.eql("Leanne Graham");
});

Step 5) 點擊發送請求，可以看到你的請求之後測試結果中有兩項显示測試通過。

注意：
有不同種類的測試可以在Postman中創建。嘗試探索這個工具，看看哪些測試適合你實際測試。

如何創建測試集合

集合在組織測試套件中扮演着重要的角色。它可以被導入和導出，使得在團隊之間共享集合變得很容易。在本教程中，我們將學習如何創建和執行集合。

Step 1) 單擊頁面左上角的New按鈕，如下圖：

Step 2) 選擇Collection(集合). 創建collection窗口彈出，如下圖.

Step 3) 輸入所需的集合名稱和描述，然後單擊create。
現在已經創建了一個集合。

Step 4 ) 和前面的Get請求一樣，點擊保存。

Step5 ）
1、選擇Postman 測試集合(Test Collection)。
2、點擊保存Postman Test Collection

Step 6) Postman test collection現在應該包含了一個請求，如下圖：

Step 7) 重複上述的Step4-5，繼續創建請求，這樣，測試集合就應該有2個請求了，如下圖。

如何使用Collection Runner 運行集合

有兩種方式來運行一個集合，即Collection Runner和Newman。
Collection Runner:
Step 1) 單擊頁面頂部導入按鈕旁邊的Runner按鈕，如下圖。

Step 2）Collection Runner頁面應該出現如下所示。以下是對各個字段的描述

Step 3) 做如下設置，運行你的測試集合

• 選擇Postman測試集合-集合迭代次數為3
• 設置延遲為2500毫秒
• 點擊Start Run按鈕

  Step 4) 單擊Run按鈕后將显示Run結果頁。根據延遲的不同，你應該在測試執行的同時看到显示的結果。

1、一旦測試完成，你就可以看到測試狀態是通過還是失敗，以及每個迭代的結果。
2、你將看到Get請求的Pass狀態；
3、由於我們沒有任何Post測試，所以應該會出現請求沒有任何測試的消息。

可以出在請求中進行測試是多麼重要，這樣你就可以驗證HTTP請求狀態是否成功，以及是否創建或檢索了數據。

如何使用Newman運行集合

運行集合的另一種方式是通過Newman。Newman和Collection Runner之間的主要區別如下:
1、Newman是Postman的替代品，所以需要單獨安裝Newman；
2、Newman使用命令行，而Collection Runner使用UI界面；
3、Newman可以用於持續集成。

安裝Newman並運行Collection，步驟如下:
Step 1) 下載並安裝NodeJs: http://nodejs.org/download/
Step 2) 打開命令行窗口並輸入下面命令：

npm install -g newman

安裝后 如下圖：

Step 3 ）
Newman安裝好之後，讓我們回到Postman的workspace。在Collections框中，單擊三個點 … 會出現新的選擇選項，可看到Export選項，如下圖：

Step 4 ）
選擇導出集合，默認使用推薦的集合版本，比如此處是v2.1，然後單擊導出：

Step 5 ） 選擇你想要保存的地址之後點擊保存，這裏建議專門新建一個文件夾來存放你的Postman tests。
Step 6 ） 另外還需要導出我們的環境(enviroment)。單擊全局環境下拉菜單旁邊的eye圖標，選擇JSON格式下載。選擇你想要的位置，然後單擊Save。最好將環境放在與Step5 導出的集合相同的文件夾中。

Step 7 ） 導出Environment 到集合文件夾后，現在回到命令行，將目錄更改為保存集合和環境的位置。

cd C:\Users\Asus\Desktop\Postman Tests

Step 8 ） 使用下面的命令運行你的測試集合：

newman run PostmanTestCollection.postman_collection.json -e Testing.postman_globals.json

運行的結果應該如下圖：

關於Newman的一些基礎指導如下：
1、只運行集合（如果沒有環境或測試數據文件依賴關係，則可以使用此選項。）

newman run <collection name> 

2、運行集合和環境（參數-e 是environment）

newman run <collection name> -e <environment name> 

3、使用所需的編號運行集合的迭代。

newman run <collection name> -n <no.of iterations>

4、運行數據文件

newman run <collection name> --data <file name>  -n <no.of iterations> -e <environment name> 

5、設置延遲時間。(這一點很重要，因為如果由於請求在後台服務器上，完成前一個請求時沒有延遲時間直接啟動下一個請求，測試可能會失敗。)

newman run <collection name> -d <delay time>

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦更多不同的設計風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，網站設計公司幫您達到更多曝光效益

※自行創業 缺乏曝光? 下一步"網站設計"幫您第一時間規劃公司的門面形象

※南投搬家前需注意的眉眉角角，別等搬了再說!

※新北清潔公司,居家、辦公、裝潢細清專業服務

近日 Gogoro 電池月租吃到飽方案引發爭議，對於如何定義商用，以及如何舉證開罰，各界都有不同看法，但 Gogoro 先是強調不再寬待，昨夜又臨時發表聲明政策轉彎，然而品牌形象已經產生傷害。究竟 Gogoro 為何如此堅持，而電動機車的資費又應該怎麼設計會更合理呢？

近日由於網友貼出了一張 Gogoro 寄送的「違規使用通知信」，而讓吃到飽方案成為爭論焦點。我們快速整理一下目前的重點。

1. Gogoro 月租 899 吃到飽方案，禁止商業使用。
2. 連續兩個月里程超過 1,600 公里，將被視為商業使用而開罰。
3. 用戶收到通知後，可以回寄照片證明是用於出遊或長程通勤，即可免罰。
4. 有路人開始檢舉外送員騎 gogoro 送餐。
5. Gogoro 發公開信，5/10 起若被檢舉，無論里程長短，將直接變更為商用方案。
6. Gogoro 修改標準，需連續兩個月里程超過 1,600 公里且被檢舉商業使用才開罰。

且不談這次資費爭議，我們此時可以想的一件事情是，如果燃油車終將被淘汰，電動車需要怎樣的能源費用標準才合理？

假設以每月 1,600 公里為使用里程來計算，目前各種能源方案以 Gogoro 商業型最貴，七期燃油車最便宜，充電式機車在光陽調降月租費用之後，如果採用兩顆電池方案，再加上全部在家充電，費用也相當便宜。

每月騎 1,600 公里，機車能源費用比較。（圖片來源：科技新報製）

不過 IONEX 方案並未說明是否可作為商業使用，而且月租費 398 方案限定綁約兩年，期滿後回到原價 598 元，這個方案還提供 2,000 公里里程，算是相當優惠，如果能夠在家充電的話，是一個不錯的選項。（充電時間約 4 小時）

而燃油車在油價狂降的此刻，商用優勢更為明顯，即使九五汽油價格回升到 30 元，每月費用仍然不到一千元，當然前提是要騎乘七期燃油車，才有每公升 50 公里的低油耗表現。

Gogoro 商業方案的天價，讓人望之卻步，為什麼會訂出這麼高的金額呢？雖然 Gogoro 官方並未明說，但顯然換電站建置與電池成本，如果在頻繁換電情況下，確實讓 Gogoro 電網不堪負荷，而原本換電的優勢也因為電池來不及充飽而打折，因此官方才祭出強硬手腕。

Gogoro 第二次政策轉彎，重新定義吃到飽違約標準。（Source：）

但 Gogoro 滿街跑對於官方來說又是最佳宣傳，所以之前才會容許模糊地帶存在，但是當其他車主開始檢舉之後，官方也不得不有所回應。經過兩次轉彎，最新的定調是，連續兩個月里程超過 1,600 公里且經檢舉才會視為商業使用。換句話說，如果偶爾兼差外送，並不會被追討違約金。

按照 Gogoro 官方說法，為了 99% 的用戶著想，他們願意放寬認定標準，但也看得出來，換電站與電池流通量不足，才是這次爭議真正的核心。否則何必為了 0.3% 的極少數用戶，而鬧出滿城風雨。

而充電式機車像是 e-moving 推出的商用版 ie PICKUP，則看準 Gogoro 在這個領域的不足，期望能夠搶佔商用電動機車市場，電池租賃方案分別為 399 元/月基礎型(家充不限里程)、599 元/月輕量型提供 100 分鐘超級充電時數、799 元/月進階型提供 400 分鐘，合約皆為 2 年一簽，車輛定價則為 83,800 元。

光陽 IONEX 的電池租用方案費用較低，但需要用戶自行在家充電，或是找快充站付費充電。（圖片來源：）

那麼充電式機車會是商用機車的新未來嗎？這仍要取決於未來充電式機車的性能是否有充足進步，以 IONEX 為例，定價 66,800 元新台幣，極速在 60 km/h 以下，在理想狀態下的滿電續航里程為 60 km，而快充到滿需要一個小時（額外付費），要作為商業使用，恐怕還有所不足。更何況當前資費方案，其實是因為用戶量極少，才推出的短期優惠，未來如果用戶增加，會否漲價，或是加入禁止商用條款也未可知。

電動車要商用化的另一項挑戰，來自於維修保養體系，對於商業用戶來說，時間就是金錢，而據點少、難預約的電動機車服務站，在這一點就輸給發展許久的油車一大截了。

以目前兩種電動機車的型態來看，換電系統對於使用者來說比較符合商用需求，但營運商成本較高；充電系統雖然有價格優勢，卻輸在車輛性能與時間彈性上。在可見的將來，全面禁用燃油車幾乎已是定局，若要讓商用機車能夠全面電動化，勢必需要更多的基礎建設（充電站、換電站、保修據點）才能拉低成本與里程焦慮，在那之前，恐怕難有比現在更好的作法。

最終我們建議，Gogoro 不該繼續在模糊地帶打轉，而是仔細估算商用方案的定價，相信如果能夠將方案價格調降到 1,500 元以下，或是與外送平台、快遞業者合作推優惠方案，讓商用族群可以正正當當的「吃到飽」，而不是每個月精算里程才是正途。試想，如果滿街的外送員都騎電動車，不正是電動車的一大勝利嗎？

（合作媒體：。首圖來源：）

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦更多不同的設計風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，網站設計公司幫您達到更多曝光效益

※自行創業 缺乏曝光? 下一步"網站設計"幫您第一時間規劃公司的門面形象

※南投搬家前需注意的眉眉角角，別等搬了再說!

※新北清潔公司,居家、辦公、裝潢細清專業服務

前文傳送門：

「Python 圖像處理 OpenCV （1）：入門」

「Python 圖像處理 OpenCV （2）：像素處理與 Numpy 操作以及 Matplotlib 显示圖像」

「Python 圖像處理 OpenCV （3）：圖像屬性、圖像感興趣 ROI 區域及通道處理」

「Python 圖像處理 OpenCV （4）：圖像算數運算以及修改顏色空間」

「Python 圖像處理 OpenCV （5）：圖像的幾何變換」

「Python 圖像處理 OpenCV （6）：圖像的閾值處理」

「Python 圖像處理 OpenCV （7）：圖像平滑（濾波）處理」

「Python 圖像處理 OpenCV （8）：圖像腐蝕與圖像膨脹」

「Python 圖像處理 OpenCV （9）：圖像處理形態學開運算、閉運算以及梯度運算」

「Python 圖像處理 OpenCV （10）：圖像處理形態學之頂帽運算與黑帽運算」

「Python 圖像處理 OpenCV （11）：Canny 算子邊緣檢測技術」

引言

前文介紹了 Canny 算子邊緣檢測，本篇繼續介紹 Roberts 算子、 Prewitt 算子、 Sobel 算子和 Laplacian 算子等常用邊緣檢測技術。

Roberts 算子

Roberts 算子，又稱羅伯茨算子，是一種最簡單的算子，是一種利用局部差分算子尋找邊緣的算子。他採用對角線方向相鄰兩象素之差近似梯度幅值檢測邊緣。檢測垂直邊緣的效果好於斜向邊緣，定位精度高，對噪聲敏感，無法抑制噪聲的影響。

1963年， Roberts 提出了這種尋找邊緣的算子。 Roberts 邊緣算子是一個 2×2 的模版，採用的是對角方向相鄰的兩個像素之差。

Roberts 算子的模板分為水平方向和垂直方向，如下所示，從其模板可以看出， Roberts 算子能較好的增強正負 45 度的圖像邊緣。

\[dx = \left[ \begin{matrix} -1 & 0\\ 0 & 1 \\ \end{matrix} \right] \]

\[dy = \left[ \begin{matrix} 0 & -1\\ 1 & 0 \\ \end{matrix} \right] \]

Roberts 算子在水平方向和垂直方向的計算公式如下：

\[d_x(i, j) = f(i + 1, j + 1) – f(i, j) \]

\[d_y(i, j) = f(i, j + 1) – f(i + 1, j) \]

Roberts 算子像素的最終計算公式如下：

\[S = \sqrt{d_x(i, j)^2 + d_y(i, j)^2} \]

今天的公式都是小學生水平，千萬別再說看不懂了。

實現 Roberts 算子，我們主要通過 OpenCV 中的 filter2D() 這個函數，這個函數的主要功能是通過卷積核實現對圖像的卷積運算：

def filter2D(src, ddepth, kernel, dst=None, anchor=None, delta=None, borderType=None)

• src: 輸入圖像
• ddepth: 目標圖像所需的深度
• kernel: 卷積核

接下來開始寫代碼，首先是圖像的讀取，並把這個圖像轉化成灰度圖像，這個沒啥好說的：

# 讀取圖像
img = cv.imread('maliao.jpg', cv.COLOR_BGR2GRAY)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 灰度化處理圖像
grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

然後是使用 Numpy 構建卷積核，並對灰度圖像在 x 和 y 的方向上做一次卷積運算：

# Roberts 算子
kernelx = np.array([[-1, 0], [0, 1]], dtype=int)
kernely = np.array([[0, -1], [1, 0]], dtype=int)

x = cv.filter2D(grayImage, cv.CV_16S, kernelx)
y = cv.filter2D(grayImage, cv.CV_16S, kernely)

注意：在進行了 Roberts 算子處理之後，還需要調用convertScaleAbs()函數計算絕對值，並將圖像轉換為8位圖進行显示，然後才能進行圖像融合：

# 轉 uint8 ,圖像融合
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Roberts = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

最後是通過 pyplot 將圖像显示出來：

# 显示圖形
titles = ['原始圖像', 'Roberts算子']
images = [rgb_img, Roberts]

for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

最終結果如下：

Prewitt 算子

Prewitt 算子是一種一階微分算子的邊緣檢測，利用像素點上下、左右鄰點的灰度差，在邊緣處達到極值檢測邊緣，去掉部分偽邊緣，對噪聲具有平滑作用。

由於 Prewitt 算子採用 3 * 3 模板對區域內的像素值進行計算，而 Robert 算子的模板為 2 * 2 ，故 Prewitt 算子的邊緣檢測結果在水平方向和垂直方向均比 Robert 算子更加明顯。Prewitt算子適合用來識別噪聲較多、灰度漸變的圖像。

Prewitt 算子的模版如下：

\[dx = \left[ \begin{matrix} 1 & 0 & -1\\ 1 & 0 & -1\\ 1 & 0 & -1\\ \end{matrix} \right] \]

\[dy = \left[ \begin{matrix} -1 & -1 & -1\\ 0 & 0 & 0\\ 1 & 1 & 1\\ \end{matrix} \right] \]

在代碼實現上， Prewitt 算子的實現過程與 Roberts 算子比較相似，我就不多介紹，直接貼代碼了：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖像
img = cv.imread('maliao.jpg', cv.COLOR_BGR2GRAY)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 灰度化處理圖像
grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# Prewitt 算子
kernelx = np.array([[1,1,1],[0,0,0],[-1,-1,-1]],dtype=int)
kernely = np.array([[-1,0,1],[-1,0,1],[-1,0,1]],dtype=int)

x = cv.filter2D(grayImage, cv.CV_16S, kernelx)
y = cv.filter2D(grayImage, cv.CV_16S, kernely)

# 轉 uint8 ,圖像融合
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Prewitt = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

# 用來正常显示中文標籤
plt.rcParams['font.sans-serif'] = ['SimHei']

# 显示圖形
titles = ['原始圖像', 'Prewitt 算子']
images = [rgb_img, Prewitt]

for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

從結果上來看， Prewitt 算子圖像銳化提取的邊緣輪廓，其效果圖的邊緣檢測結果比 Robert 算子更加明顯。

Sobel 算子

Sobel 算子的中文名稱是索貝爾算子，是一種用於邊緣檢測的離散微分算子，它結合了高斯平滑和微分求導。

Sobel 算子在 Prewitt 算子的基礎上增加了權重的概念，認為相鄰點的距離遠近對當前像素點的影響是不同的，距離越近的像素點對應當前像素的影響越大，從而實現圖像銳化並突出邊緣輪廓。

算法模版如下：

\[dx = \left[ \begin{matrix} 1 & 0 & -1\\ 2 & 0 & -2\\ 1 & 0 & -1\\ \end{matrix} \right] \]

\[dy = \left[ \begin{matrix} -1 & -2 & -1\\ 0 & 0 & 0\\ 1 & 2 & 1\\ \end{matrix} \right] \]

Sobel 算子根據像素點上下、左右鄰點灰度加權差，在邊緣處達到極值這一現象檢測邊緣。對噪聲具有平滑作用，提供較為精確的邊緣方向信息。因為 Sobel 算子結合了高斯平滑和微分求導（分化），因此結果會具有更多的抗噪性，當對精度要求不是很高時， Sobel 算子是一種較為常用的邊緣檢測方法。

Sobel 算子近似梯度的大小的計算公式如下：

\[G = \sqrt{d_X^2 + d_y^2} \]

梯度方向的計算公式如下：

\[\theta = \tan^{-1}(\frac {d_x}{d_y}) \]

如果以上的角度 θ 等於零，即代表圖像該處擁有縱向邊緣，左方較右方暗。

在 Python 中，為我們提供了 Sobel() 函數進行運算，整體處理過程和前面的類似，代碼如下：

import cv2 as cv
import matplotlib.pyplot as plt

# 讀取圖像
img = cv.imread('maliao.jpg', cv.COLOR_BGR2GRAY)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 灰度化處理圖像
grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# Sobel 算子
x = cv.Sobel(grayImage, cv.CV_16S, 1, 0)
y = cv.Sobel(grayImage, cv.CV_16S, 0, 1)

# 轉 uint8 ,圖像融合
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Sobel = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

# 用來正常显示中文標籤
plt.rcParams['font.sans-serif'] = ['SimHei']

# 显示圖形
titles = ['原始圖像', 'Sobel 算子']
images = [rgb_img, Sobel]

for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

Laplacian 算子

拉普拉斯（ Laplacian ）算子是 n 維歐幾里德空間中的一個二階微分算子，常用於圖像增強領域和邊緣提取。

Laplacian 算子的核心思想：判斷圖像中心像素灰度值與它周圍其他像素的灰度值，如果中心像素的灰度更高，則提升中心像素的灰度；反之降低中心像素的灰度，從而實現圖像銳化操作。

在實現過程中， Laplacian 算子通過對鄰域中心像素的四方向或八方向求梯度，再將梯度相加起來判斷中心像素灰度與鄰域內其他像素灰度的關係，最後通過梯度運算的結果對像素灰度進行調整。

Laplacian 算子分為四鄰域和八鄰域，四鄰域是對鄰域中心像素的四方向求梯度，八鄰域是對八方向求梯度。

四鄰域模板如下：

\[H = \left[ \begin{matrix} 0 & -1 & 0\\ -1 & 4 & -1\\ 0 & -1 & 0\\ \end{matrix} \right] \]

八鄰域模板如下：

\[H = \left[ \begin{matrix} -1 & -1 & -1\\ -1 & 4 & -1\\ -1 & -1 & -1\\ \end{matrix} \right] \]

通過模板可以發現，當鄰域內像素灰度相同時，模板的卷積運算結果為0；當中心像素灰度高於鄰域內其他像素的平均灰度時，模板的卷積運算結果為正數；當中心像素的灰度低於鄰域內其他像素的平均灰度時，模板的卷積為負數。對卷積運算的結果用適當的衰弱因子處理並加在原中心像素上，就可以實現圖像的銳化處理。

在 OpenCV 中， Laplacian 算子被封裝在 Laplacian() 函數中，其主要是利用Sobel算子的運算，通過加上 Sobel 算子運算出的圖像 x 方向和 y 方向上的導數，得到輸入圖像的圖像銳化結果。

import cv2 as cv
import matplotlib.pyplot as plt

# 讀取圖像
img = cv.imread('maliao.jpg', cv.COLOR_BGR2GRAY)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 灰度化處理圖像
grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# Laplacian
dst = cv.Laplacian(grayImage, cv.CV_16S, ksize = 3)
Laplacian = cv.convertScaleAbs(dst)

# 用來正常显示中文標籤
plt.rcParams['font.sans-serif'] = ['SimHei']

# 显示圖形
titles = ['原始圖像', 'Laplacian 算子']
images = [rgb_img, Laplacian]

for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

最後

邊緣檢測算法主要是基於圖像強度的一階和二階導數，但導數通常對噪聲很敏感，因此需要採用濾波器來過濾噪聲，並調用圖像增強或閾值化算法進行處理，最後再進行邊緣檢測。

最後我先使用高斯濾波去噪之後，再進行邊緣檢測：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖像
img = cv.imread('maliao.jpg')
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 灰度化處理圖像
gray_image = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 高斯濾波
gaussian_blur = cv.GaussianBlur(gray_image, (3, 3), 0)

# Roberts 算子
kernelx = np.array([[-1, 0], [0, 1]], dtype = int)
kernely = np.array([[0, -1], [1, 0]], dtype = int)
x = cv.filter2D(gaussian_blur, cv.CV_16S, kernelx)
y = cv.filter2D(gaussian_blur, cv.CV_16S, kernely)
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Roberts = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

# Prewitt 算子
kernelx = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]], dtype=int)
kernely = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]], dtype=int)
x = cv.filter2D(gaussian_blur, cv.CV_16S, kernelx)
y = cv.filter2D(gaussian_blur, cv.CV_16S, kernely)
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Prewitt = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

# Sobel 算子
x = cv.Sobel(gaussian_blur, cv.CV_16S, 1, 0)
y = cv.Sobel(gaussian_blur, cv.CV_16S, 0, 1)
absX = cv.convertScaleAbs(x)
absY = cv.convertScaleAbs(y)
Sobel = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

# 拉普拉斯算法
dst = cv.Laplacian(gaussian_blur, cv.CV_16S, ksize = 3)
Laplacian = cv.convertScaleAbs(dst)

# 展示圖像
titles = ['Source Image', 'Gaussian Image', 'Roberts Image',
          'Prewitt Image','Sobel Image', 'Laplacian Image']
images = [rgb_img, gaussian_blur, Roberts, Prewitt, Sobel, Laplacian]
for i in np.arange(6):
   plt.subplot(2, 3, i+1), plt.imshow(images[i], 'gray')
   plt.title(titles[i])
   plt.xticks([]), plt.yticks([])
plt.show()

示例代碼

如果有需要獲取源碼的同學可以在公眾號回復「OpenCV」進行獲取。

參考

https://blog.csdn.net/Eastmount/article/details/89001702

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦更多不同的設計風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，網站設計公司幫您達到更多曝光效益

※自行創業 缺乏曝光? 下一步"網站設計"幫您第一時間規劃公司的門面形象

※南投搬家前需注意的眉眉角角，別等搬了再說!

※新北清潔公司,居家、辦公、裝潢細清專業服務