[转]图像梯度：概述

0 定义

       图像梯度是描述图像像素之间差异的一种方法，可以作为图像的一种特征表征图像（用于模式匹配）。从数学角度而言，图像梯度是指像素的一阶导数。

1 计算

       其计算的一般方法，可以从X和Y两个方向描述。把图像看成二维离散函数，则在数字图像中就可以把图像表示成一个M*N的二维数字阵列，如下图。

图像梯度其实就是这个二维离散函数的求导： 图像梯度: G(x,y) = dx(i,j) + dy(i,j);

dx(i,j) = I(i+1,j) - I(i,j);

dy(i,j) = I(i,j+1) - I(i,j);

其中，I是图像像素的值(如：RGB值)，(i,j)为像素的坐标。

图像梯度一般也可以用中值差分：

dx(i,j) = [I(i+1,j) - I(i-1,j)]/2;

dy(i,j) = [I(i,j+1) - I(i,j-1)]/2;

图像边缘一般都是通过对图像进行梯度运算来实现的。对X方向求梯度，则会在X方向的边缘体现更加清晰，同样Y方向梯度效果是在Y方向的边缘更清晰。

但是，图像梯度本身就有很多计算方法，只要能够描述像素之间的差异即可。并不是一定用上述公式，事实上通常用的也是其它公式。而如果是叠加卷积操作来计算梯度，那么所使用的模板，我们通常为称其为梯度算子。而梯度算子又包含了许多，由不同人总结而成。

2 应用

2.1 图像配准

       图像配准(Image registration)就是将不同时间、不同传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的两幅或多幅图像进行匹配、叠加的过程。利用梯度分析进行图像配准的方法是通过互换目标图像与模板图像的功能，重新定义目标函数，采用Gauss-Newton梯度下降法求解，得到在整个迭代过程中保持恒定且可预先求得的Hessian矩阵。采用仿射变换的基于梯度下降的图像配准算法能够准确捕捉目标平移、旋转等变化，有效实现模板图像与目标图像的配准，且比经典的Lucas-Kanade算法计算复杂度较小。

2.2 图像对比度增强

       对图像梯度场进行直方图均衡化，使这些图像阴影或高亮区域中的细节能够在梯度域得到增强；然后利用最小二乘原理重建出增强后的结果图像，该方法能够有效地改善由于光照影响造成的图像对比度下降。另外，可以对梯度场进行操作，压制较大的梯度，拉伸较小的梯度，以在压缩图像整体动态范围的同时，增强图像细节处的对比度，操作后对梯度场进行重建可得到增强图像。

2.3 图像重建

图像重建是指根据场景的投影数据获取场景中物质分布的信息。将要重建的目标放在一个直角坐标网格中 , 发射源和探测器都是点状的, 它们之间的连线对应一条射线( 设共有M条射线) 。

2.4 图像分割

图像中的真实边界点处的梯度强度大于其左右领域的梯度强度值。因此，在图像分割时，可以将基于梯度的边缘检测和阀值分割相结合，首先利用高斯平滑对图像进行预处理，再利用Krisch算法对图像进行梯度运算得到图像的梯度信息，然后利用改进的二维最大类间方差法根据图像梯度进行阈值分割，最后利用目标和背景的空间关系去除少量误提边缘，从而实现图像分割。该方法能有效地检测出低信噪比图像中的目标并显著提高了目标检测的概率。

2.5 边缘检测

图像的边缘包含了大量的梯度信息，基于梯度进行边缘检测简单有效。方法是对图像进行梯度运算后，利用梯度的方向信息对梯度图像进行细化处理，将非边缘点的梯度值逐步减小并趋于零；保留梯度值较大的点，并进一步确定边缘点；最后将这些边缘点按一定方式连接构成完整边缘。当然，要想获得对边界比较精确的定位，需要考虑噪声及梯度较大的非边缘点影响，这时要对图像梯度信息进行比较复杂的处理。

 

转自 https://wenku.baidu.com/view/0123771258fb770bf78a55a1.html