永兴的笔记-OpenCV-6图像梯度和边缘检测

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