6.图像梯度

查找图像渐变、边缘等
使用到以下方法 : cv.Sobel(), cv.Scharr(), cv.Laplacian()…

原理

OpenCV 提供了三种类型的梯度滤波器或高通滤波器，Sobel、Scharr 和 Laplacian。

1. Sobel 和 Scharr 导数

Sobel算子是联合高斯平滑加微分运算，所以更抗噪。您可以指定要采用的导数的方向，垂直或水平（分别通过参数 yorder 和 xorder）。您还可以通过参数 ksize 指定内核的大小。如果 ksize = -1，则使用 3x3 Scharr 过滤器，其结果比 3x3 Sobel 过滤器更好。请参阅所用内核的文档。

1.1 Sobel()方法

在除一种情况之外的所有情况下，ksize×ksize 可分离核用于计算导数。当ksize = 1时，使用3×1或1×3核（即不做高斯平滑）。 ksize = 1 只能用于一阶或二阶 x 或 y 导数。

还有一个特殊值 ksize = FILTER_SCHRR (-1) 对应于 3×3 Scharr 过滤器，它可能给出比 3×3 Sobel 更准确的结果。shcarr为:
$$\left[\begin{array}{ccc}-3& 0& 3\\ -10& 0& 10\\ -3& 0& 3\end{array}\right]\text{\hspace{1em}(1)}$$
该函数通过使用适当的内核对图像进行卷积来计算图像导数：
$$dsst=\frac{{\partial }^{xorder}+y^{order}src}{\partial x^{xorder}\partial y^{yorder}}$$
Sobel 算子结合了高斯平滑和微分，因此结果或多或少地抵抗噪声。大多数情况下，使用 ( xorder = 1, yorder = 0, ksize = 3) 或 ( xorder = 0, yorder = 1, ksize = 3) 调用该函数来计算第一个 x 或 y 图像导数。第一种情况对应于以下内核：
$$\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 2\end{array}\right]\text{\hspace{1em}(2)}$$
第二种情况对应于以下内核：
$$\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]\text{\hspace{1em}(3)}$$
python中的用法：

	dst	=	cv.Sobel(	src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]	)

参数	描述
src	输入图片矩阵
dst	输出图片矩阵
ddepth	图像深度
dx	导数x的阶数
dy	导数y的阶数
ksize	扩展 Sobel 核的大小；它必须是 1、3、5 或 7
scale	缩放尺度
delta	在将结果存储到 dst 之前添加到结果中的可选增量值。
borderType	像素拓展方法，参见 BorderTypes。不支持 BORDER_WRAP。

1.2shcarr()方法

Scharr(src, dst, ddepth, dx, dy, scale, delta, borderType)

相当于

Sobel(src, dst, ddepth, dx, dy, FILTER_SCHARR, scale, delta, borderType).

2. Laplacian 导数

它计算由关系给出的图像的拉普拉斯算子$\Delta src=\frac{\partial 2src}{\partial x2}+\frac{\partial 2src}{\partial y2}$这是在ksize>1时进行的，其中每个导数都是使用 Sobel 导数找到的。如果 ksize = 1，则使用以下内核进行过滤：

$$kernel=\left[\begin{array}{ccc}0& 1& 0\\ 1& -4& 1\\ 0& 1& 0\end{array}\right]\text{\hspace{1em}(4)}$$
python中用法：

	dst	=	cv.Laplacian(	src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]	)

参数	描述
src	输入图片矩阵
dst	输出图片矩阵
ddepth	图像深度
ksize	用于计算二阶导数滤波器的孔径大小。大小必须是正数和奇数。
scale	计算的拉普拉斯值的可选比例因子。默认情况下，不应用缩放。
delta	可选的delta值，在将结果存储到dst之前，将其添加到结果中。
borderType	像素拓展方法，参见 BorderTypes。不支持 BORDER_WRAP。

img = cv.imread("../../file/photos/dave.jpg", 0)
# ksize = 9 是最好的效果
laplacian = cv.Laplacian(img, cv.CV_64F, ksize=9)
sobelx = cv.Sobel(img, cv.CV_8U, 1, 0, ksize=-1)
sobely = cv.Sobel(img, cv.CV_8U, 0, 1, ksize=5)
plt.subplot(2, 2, 1), plt.imshow(img, cmap='gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 2, 2), plt.imshow(laplacian, cmap='gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 2, 3), plt.imshow(sobelx, cmap='gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 2, 4), plt.imshow(sobely, cmap='gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()

结果如下，Lapalacian结果和官方文档结果不同

在最后一个示例中，输出数据类型是 cv.CV_8U 或 np.uint8。但这有一个小问题。黑到白过渡被视为正斜率（它具有正值），而白到黑过渡被视为负斜率（它具有负值）。因此，当您将数据转换为 np.uint8 时，所有负斜率都为零。简而言之，你错过了那个边缘，如果你想检测两个边缘，更好的选择是将输出数据类型保持为更高的形式，如 cv.CV_16S、cv.CV_64F 等，取其绝对值，然后转换回 cv.CV_8U。下面的代码演示了水平 Sobel 滤波器的此过程和结果差异。

img = cv.imread("../../file/photos/box1.jpg", 0)
sobelx8u = cv.Sobel(img, -1, 1, 0, ksize=3)
sobelx64f = cv.Sobel(img, cv.CV_64F, 1, 0, ksize=3)
abs_sobel64f = np.abs(sobelx64f)  # 对其求绝对值
sobel_8u = np.uint8(abs_sobel64f)  # 将绝对值转换成uint8

结果如下

depth类型

Input depth (src.depth())	Output depth (ddepth)
CV_8U	-1/CV_16S/CV_32F/CV_64F
CV_16U/CV_16S	-1/CV_32F/CV_64F
CV_32F	-1/CV_32F/CV_64F
CV_64F	-1/CV_64F