一、什么是图像梯度:
图像的梯度就是描述图像中灰度的变化,微积分就是求函数的变化率,即导数(梯度)。图像的梯度相当于2个相邻像素之间的差值。
图像梯度可以把图像看成二维离散函数,图像梯度其实就是这个二维离散函数的求导:
在x方向,选取某个像素,假设其像素值是100,沿x方向的相邻像素分别是90,90,90,则根据上面的计算其x方向梯度分别是10,0,0。这里只取变化率的绝对值,表明变化的大小即可。
灰度值100和90之间亮度相差10,并不是很明显,与一大群90的连续灰度值在一起,轮廓必然是模糊的。我们注意到,如果相邻像素灰度值有变化,那么梯度就有值,如果相邻像素灰度值没有变化,那么梯度就为0。如果我们把梯度值与对应的像素相加,那么灰度值没有变化的,像素值不变,而有梯度值的,灰度值变大了,那么图像的边缘更加明显。
二、OpenCV中的图像梯度应用(检测边缘):
OpenCV提供三种类型的梯度滤波器或高通滤波器,Sobel,Scharr和Laplacian.
高通滤波器(英语:High-pass filter)是容许高频信号通过、但减弱(或减少)频率低于截止频率信号通过的滤波器。对于不同滤波器而言,每个频率的信号的减弱程度不同。它有时被称为低频剪切滤波器;
Sober 基本数学原理:
1、Sober 算子
Sober 算子是离散微分算子(discrete differentiation operator),用来计算图像灰度的近似梯度。
cv2.Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None)
- src : 原图像
- ddepth : 目标图像的深度,填写 -1 则保存与原图像的深度一致;
图像深度是单个像素点的色彩详细度,往往把像素深度说成是图像深度。表示一个像素的位数越多,它能表达的颜色数目就越多,而它的深度就越深。
src.depth() 为原图像的深度,则一般对应的ddepth为:
sec.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 |
- dx:表示在x方向上求导的阶数
- dy:表示在y方向上求导的阶数
如果是0则表示在该方向上不求导(不能2个方向都是0)
一阶导数可以用来描述原函数的增减性。
二阶导数可以用来判断函数在一段区间上的凹凸性,f’’(x)>0,则是凹的,f’’(x)<0则是凸的。 - dst : 表示输出图像
- ksize : 内核大小
如果不填写或者ksize<0,那么使用scharr内核过滤因子。scharr的内核过滤因子大小为3。
xorder = dx ,xorder = dy
- scale : scale是缩放导数的比例常数,默认情况下没有伸缩系数;
- delta :在将目标图像存储进多维数组前,可以将每个像素值增加delta,默认为0;
- borderType :是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
import cv2
img = cv2.imread("first.jpg")
GRAYImg = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
SoberImg = cv2.