3-6 图像梯度—OpenCV-Python教程翻译

目标

• 掌握获得图像梯度、边缘等的方法
• 掌握函数：cv2.Sobel(), cv2.Schar(), cv2.Laplacian()等

理论

OpenCV提供了三种梯度过滤器（高通过滤器）-Sobel、Scharr、Laplacian。下面将一一介绍他们。

1、Sobel和Scharr导数

Sobel运算结合了高斯平滑和微分运算，因此可以有效降低噪声干扰。求解梯度方法可以指定为水平方向或者垂直方向（通过参数yorder或者xorder指定）。同样，可以通过参数ksize指定卷积核尺寸。如果ksize=-1，则使用3×3的Scharr过滤器，因为效果比3×3的Sobel过滤器好。可以查看帮助手册了解如何使用卷积核。

2、Laplacian导数

拉普拉斯算子类似于二阶Sobel导数。实际上，OpenCV中通过调用Sobel算子来计算拉普拉斯算子，使用下面的公式：

如果ksize = 1，则采用下面的卷积核

下面的代码将在一副图像上进行所有的操作，所有操作均使用一个5×5的卷积核。输出图像深度设置为-1从而获得和输入图像一样的图像深度，均为np.uint8类型。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('dave.jpg',0)
# laplacian梯度
laplacian = cv.Laplacian(img,cv.CV_64F)
# 垂直方向sobel梯度
sobelx = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)
# 水平方向sobel梯度
sobely = cv.Sobel(img,cv.CV_64F,0,1,ksize=5)
plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()

 结果如下：

 一点说明

在上面的例子中，输出数据类型（图像深度）是cv2.CV_8U或者是np.uint8。但是由于输出数据类型导致会出现一些小问题。当有正梯度的时候，会出现黑白变换，同样，当有负梯度的时候，会导致白黑变换。因此，当输出图像深度为np.uint8时，会让所有的负梯度自动变为0。简单的说就是丢失边缘。

如果想要获得所有的边缘，就需要提高图像深度，将输出图像数据类型变成更高格式，比如cv2.CV_16S或者cv2.CV_64F等，然后取绝对值，再转换为cv2.CV_8U。下面的代码将展示这个流程，对一副图片进行水平Sobel过滤，不同的图像深度会导致不同的结果。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('box.png',0)
# 输出图像数据类型= cv.CV_8U
sobelx8u = cv.Sobel(img,cv.CV_8U,1,0,ksize=5)
# 输出图像数据类型 = cv.CV_64F. 取绝对值后再转换为cv.CV_8U
sobelx64f = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)
# 取绝对值
abs_sobel64f = np.absolute(sobelx64f)
# 转换为cv.CV_8U
sobel_8u = np.uint8(abs_sobel64f)
plt.subplot(1,3,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,2),plt.imshow(sobelx8u,cmap = 'gray')
plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,3),plt.imshow(sobel_8u,cmap = 'gray')
plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])
plt.show()

结果如下图所示，中间的结果丢失了右边的边缘，因为梯度算子在这个边缘的计算结果为负值，python会自动将负值变为0，右边的图像则通过提高图像深度获得所有的边缘。