图像处理24：图像梯度

梯度简单来说就是求导。 OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器：Sobel， Scharr 和 Laplacian。Sobel，Scharr 其实就是求一阶或二阶导数。Scharr 是对 Sobel（使用小的卷积核求解求解梯度角度时）的优化。Laplacian 是求二阶导数。

1、Sobel 算子和 Scharr 算子

Sobel 算子是高斯平滑与微分操作的和，所以它的抗噪声能力很好。 你可以设定求导的方向（xorder 或 yorder）。还可以设定使用的卷积核的大小（ksize）。如果 ksize=-1，会使用 3x3 的 Scharr 滤波器，它的的效果要 比 3x3 的 Sobel 滤波器好（而且速度相同，所以在使用 3x3 滤波器时应该尽量使用 Scharr 滤波器）。3x3 的 Scharr 滤波器卷积核如下：

2、Laplacian 算子 

拉普拉斯算子可以使用二阶导数的形式定义，可假设其离散实现类似于二阶 Sobel 导数，事实上，OpenCV 在计算拉普拉斯算子时直接调用 Sobel 算 子。计算公式如下：

拉普拉斯滤波器使用的卷积核： 

#coding:utf-8

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('F:/qipan.png',0)
#cv2.CV_64F输出的图像深度（数据类型），可以使用-1，与原图像保持一致
laplacian = cv2.Laplacian(img,cv2.CV_64F)
sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)#参数0，1是在x方向上求一阶导，最大可以求2阶导数
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5)#参数1，0是在y方向上求一阶导，最大可以求2阶导数


name = ['Origianl','Laplacian','Sobel X','Sobel Y']
showPic = [img,laplacian,sobelx,sobely]

for i in xrange(4):
    plt.subplot(2, 2, i+1), plt.imshow(showPic[i], cmap='gray')
    plt.title(name[i]), plt.xticks([]), plt.yticks([])

plt.show()

结果图：

重要：为什么使用cv2.CV_64F呢？一个从黑到白的边界的导数是整数，而一个从白到黑的边界点导数却是负数。如果原图像的深度是 np.int8 时，所有的负值都会被截断变成 0，换句话说就是把边界丢失掉。 所以如果这两种边界都想检测到，最好的的办法就是将输出的数据类型设置的更高，比如 cv2.CV_16S，cv2.CV_64F等。取绝对值然后再把它转回到 cv2.CV_8U。下面输出图片的深度不同造成的不同效果。

#coding:utf-8

import cv2
import numpy as np
from matplotlib import pyplot as plt


img = cv2.imread('F:/hand.png',0)

sobelx8u = cv2.Sobel(img,cv2.CV_8U, 1, 0, ksize=5)
sobelx64f = cv2.Sobel(img, cv2.CV_64F,1,0,ksize=5)
abs_sobel64f = np.absolute(sobelx64f)
sobel_8u = np.uint8(abs_sobel64f)

name = ['Origianl','Sobel CV_8U','Sobel abs(CV_64F)']
showPic = [img,sobelx8u,sobel_8u]

for i in xrange(3):
    plt.subplot(1, 3, i+1), plt.imshow(showPic[i], cmap='gray')
    plt.title(name[i]), plt.xticks([]), plt.yticks([])

plt.show()

结果图：