基于一阶微分的锐化滤波器---梯度算子（常用于工业检测，产品缺陷检测）

---

前言

非线性滤波器-----锐化的主要作用：突出图像中的过渡部分用空间微分来完成（微分算子的响应强度与像素的突变程度成成正比），也就是说图像微分，增强了边缘与其他突变（噪声、线），并削弱灰度变化缓慢的区域。

一、常用的非线性锐化滤波器

基于一阶微分的锐化滤波器
基于二阶微分的锐化滤波器

二、图像能够进行微分的要求

一阶微分：
在恒定灰度区域的一阶微分值为 0；
在灰度台阶、灰度斜坡的起点处一阶微分值非 0；
沿着灰度斜坡的一阶微分值非 0；

二阶微分：
在恒定灰度区域的二阶微分值为 0；
在灰度台阶、灰度斜坡的起点处二阶微分值非 0；
沿着灰度斜坡的二阶微分值非 0；
对于二维的数字图像 f(x,y) ,可沿着两个空间轴处理偏微分；

三、基于一阶微分的锐化滤波器—梯度算子（常用于工业检测，产品缺陷检测）

在图像中，基于一阶微分的锐化滤波器常用梯度幅值来实现；
对于图像f，在任意坐标（x,y）上的梯度df定义二维列向量：

梯度幅值定义为：

在实际应用中，一般把梯度的幅值称为梯度，并采用绝对值近似求梯度值：

四、如何求解梯度幅值

1、直接微分

这里的 f 函数是图像对应像素点的灰度值函数

2、交叉差分

1、2使用较少，sobel算子比较常用
3、sobel算子

垂直方向

水平方向

五、代码

import cv2
import numpy as np
import copy

OriginalImg = cv2.imread('cns.jpg')
R ,G, B = cv2.split(OriginalImg)
#RGB图像拆分成R，G，B三通道数据


G_pad = np.pad(G,((1, 1), (1, 1)),'edge')
#G通道到数据填充
newImg = np.full((700,700),np.nan)
#创建空np数组，用于存储sobel算子处理后的数据
for i in range(1,700):
    for j in range(1,700):
        tmp = copy.copy(G_pad[i-1:i+2,j-1:j+2])
        x = np.multiply(tmp, np.array([[-1,2,-1],[0,0,0],[1,2,1]]))
        y = np.multiply(tmp, np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]))
        dF = abs(np.sum(x)) + abs(np.sum(y))
        newImg[i-1,j-1] = dF

newImg = np.uint8(newImg)
#图像边缘填充

cv2.namedWindow('G')
cv2.resizeWindow('G',(280,280))
cv2.imshow('G',G)

cv2.namedWindow('newImg')
cv2.resizeWindow('newImg',(280,280))
cv2.imshow('newImg',newImg)
cv2.imwrite('sobelImg.jpg',newImg)
cv2.waitKey(0)

总结

提示：这里对文章进行总结：
梯度值正比于邻近像素灰度值的差分，因此在图像变化缓慢区域，其值很小，而在灰度值急剧变化的部分（图像的细节如边缘）其值很大，这就是图像经过梯度计算可使其细节清晰从而达到锐化目的的实质。
|
|