Kirsch算子是R.Kirsch提出来一种边缘检测算法，它采用8个模板对图像上
的每一个像素点进行卷积求导数，这8个模板代表8个方向，对图像上的8个特
定边缘方向作出最大响应，运算中取最大值作为图像的边缘输出。


Kirsch算子特点
• 在计算边缘强度的同时可以得到边缘的方向
• 各方向间的夹角为45º

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
%matplotlib
#kirsch算子
#自定义卷积核，八个方向
m1 = np.array([[5, 5, 5], [-3,0,-3], [-3,-3,-3]])
m2 = np.array([[-3, 5,5], [-3,0,5], [-3,-3,-3]])
m3 = np.array([[-3,-3,5], [-3,0,5], [-3,-3,5]])
m4 = np.array([[-3,-3,-3], [-3,0,5], [-3,5,5]])
m5 = np.array([[-3, -3, -3], [-3,0,-3], [5,5,5]])
m6 = np.array([[-3, -3, -3], [5,0,-3], [5,5,-3]])
m7 = np.array([[5, -3, -3], [5,0,-3], [5,-3,-3]])
m8 = np.array([[5, 5, -3], [5,0,-3], [-3,-3,-3]])

filterlist = [m1, m2, m3, m4, m5, m6, m7, m8]#将各个方向的卷积核放到一起便于统一操作
filtered_list = np.zeros((8, img_clean.shape[0], img_clean.shape[1]))#建立三维数组，第0维表示各个方向卷积后的值

for k in range(8) :
    out = cv.filter2D(img_clean, cv.CV_16S, filterlist[k])#自定义卷积，其实里面的步骤跟Sobel算子是差不多的
    filtered_list[k] = out

final = np.max(filtered_list, axis = 0)#取八个方向中的最大值，也就是取第0维的最大值作为图像该点，滤波之后的新的像素值
final[ np.where(final >= 255)] = 255#令像素值大于255的点等于255
final[ np.where(final < 255) ] = 0#令像素值小于255的点等于0

fig = plt.figure(figsize = (10, 5))#显示图像
fig.set(alpha = 0.2)
plt.subplot2grid((1, 2), (0, 0))
plt.imshow(img_clean, 'gray')

plt.subplot2grid((1, 2), (0, 1))
plt.imshow(final, 'gray')