02如何计算梯度

---

前言

记录图像锐化中梯度的相关编程内容。本文使用语言为python，模特为lena小姐姐。

---

一、理论储备

图像锐化与图像平滑是相反的操作，锐化是通过增强高频分量来减少图像中的模糊，增强图像细节边缘和轮廓，增强灰度反差，便于后期对目标的识别和处理。锐化处理在增强图像边缘的同时也增加了图像的噪声。方法通常有微分法和高通滤波法。

具体理论可以参考这篇文章：图像锐化

1 读图中某一行的灰度值

这部分很简单，原理不再赘述。

def read(img,h):
    """
           读某一行的灰度值
           :param img: 输入灰度值图像
           :param h  : 读第h行的灰度值
           :return gray:第h行的灰度值
    """
    gray = img[h,:]
    return gray

效果图如下：

2如何实现微分的操作

微分法需要的第一步就是要求梯度，而我们通常认为梯度的方向是图像中最大变化率的方向，梯度的幅度比例于相邻像素的灰度级差值。

下面写一个函数实现对数组的求梯度功能。一阶梯度的求法如下所示：

而二阶梯度的求法如下：

其实就是对一阶梯度再求一阶梯度。

def my_diff(arr,n=1):
    """
    计算梯度
    :param arr: 输入的数组
    :param n: 进行n阶微分，默认为1阶
    :return :
    """
    new_arr = np.empty_like(arr)
    for i in range(n) :
        new_arr[:-1] =arr[1:] - arr[:-1]
        arr = new_arr[:-1]
        #print("arr:",arr)
    return arr

一阶微分的效果图如图所示。
但是调用上面的函数进行二次微分会出现问题，具体原因需要分析一下：
前面提到：梯度是相邻元素的差值

这样想第一次微分是没有问题的，但是第二次微分就要小心了，因为第一次微分会使得数组的元素比原来的数组少1，而我的代码里
new_arr = np.empty_like(arr)
并没有随着循环的进行而少1，一直是传进来的arr的大小。因此代码修改如下：

def my_diff(arr,n=1):
    """
    计算梯度
    :param arr: 输入的数组
    :param n: 进行n阶微分，默认为1阶
    :return :
    """
    #print("arr:", arr.shape)
    for i in range(n) :
        new_arr = np.empty_like(arr)#放进循环就好啦
        new_arr[:-1] =arr[1:] - arr[:-1]
        arr = new_arr[:-1]
        #print("arr:",arr.shape)
    return arr

总结

本文是对梯度所使用到的理论进行代码上的实现，基本上没有使用第三方的库函数。