Opencv学习笔记五——梯度计算

需要的库和自定义函数

import cv2
import numpy as np
import matplotlib.pyplot as plt
 
def cv_show(name, mat):
    cv2.imshow(name, mat)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

一、Sobel算子

对周围各点赋予权重，再计算梯度

计算垂直方向梯度的权重【水平方向则是它的转置矩阵】

 

###        函数原型
void cv::Sobel(InputArray  src,
		OutputArray  	dst,
		int  	ddepth,
		int  	dx,
		int  	dy,
		int  	ksize = 3,
		double  scale = 1,
		double  delta = 0,
		int  	borderType = BORDER_DEFAULT 
	) 		
###        在python中使用
dst	= cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)

src	原图像
dst	处理后的图像，大小类型须和原图像相同
ddepth	输出图像深度
dx	置1则计算x方向的梯度
dy	置1则计算y方向的梯度
ksize	参考的像素点范围，必须是1, 3, 5, or 7.
scale	计算导数值的可选比例因子；默认情况下，不应用缩放
delta	结果偏移量
borderType	像素外推方法

img = cv2.imread('C://Users//rwhite//Pictures//opencv//test.jpg', cv2.IMREAD_GRAYSCALE)

dstx	= cv2.Sobel(img, cv2.CV_64F, dx = 1, dy = 0,  ksize=3)
dsty	= cv2.Sobel(img, cv2.CV_64F, dx = 0, dy = 1,  ksize=3)

cv2.imwrite('C://Users//rwhite//Pictures//opencv//dstx.jpg', dstx)
cv2.imwrite('C://Users//rwhite//Pictures//opencv//dsty.jpg', dsty)

原图像

 

 sobel算子对梯度的计算遵循“右边像素减左边像素”。以x轴方向的梯度计算为例。

白色圆圈的左半边均为白色像素（右边像素）减去黑色像素（左边像素），所以左半边的梯度都为正数，即显示为白色轮廓。

而白色圆圈的右半边是黑色像素（右边像素）减去白色像素（左边像素），结果为负数，会自动截取为0，所以显示为一片黑色。

因此，为了得到完整的梯度图，需要对计算结果取绝对值。

#上述代码再增加两个步骤
dstx = cv2.convertScaleAbs(dstx)
dsty = cv2.convertScaleAbs(dsty)

 最后在对x方向和y方向的梯度进行整合：

dst = cv2.addWeighted(dstx, 0.5, dsty, 0.5, 0)

 

 Ps：不建议使用sobel算子同时计算x和y方向上的梯度（即同时将dx和dy置1），效果较差:

 

 

 二、scharr算子

计算方式与sobel算子相同，但对周围像素点的权重不同。

scharr对周围像素点更为敏感，能捕捉到更多信息。

函数使用方法也与sobel算子相同。

三、拉普拉斯laplacian算子

计算方式与sobel算子相同，但对周围像素点的权重不同。

对噪音点会比较敏感。

 函数使用方法与sobel算子相似，不同在于不用设置dx和dy。