OpenCV-Python学习之路-10：Image Gradients(图像梯度)

最新推荐文章于 2023-07-25 15:28:28 发布

我是大黄同学呀

最新推荐文章于 2023-07-25 15:28:28 发布

阅读量1.8k

点赞数 1

分类专栏：学点工具文章标签： opencv python 计算机视觉

本文链接：https://blog.csdn.net/qq_36560894/article/details/107767281

版权

学点工具专栏收录该内容

18 篇文章 0 订阅

订阅专栏

文章目录

参考依据

官方文档：https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_gradients/py_gradients.html#gradients

目标

寻找图像中的梯度、检测边缘等
学习到以下函数：cv2.Sobel()、cv2.Scharr()、cv2.Laplacian()等

图像梯度

OpenCV为我们提供了三个用于梯度检测的高通滤波器：Sobel，Scharr以及Laplacian

1. Sobel和Scharr求导

Sobel算子是高斯平滑加求导运算的联合运算，因此它的抗噪性更好，在使用时，可以指定求导的方向x / y（水平方向或垂直方向）。还可以通过参数ksize指定内核的大小，如果ksize = -1(不指定)，则默认使用大小为3x3的filter（此时，Scharr滤波器比Sobel滤波器的效果更好）。

Python: cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
Python: cv2.Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]])

重要提示：ddepth为输出图像的深度，我们要注意，这里不能用cv2.CV_8U(8位无符号)，因为在计算梯度时：White->Black这个方向计算得到的梯度是负值，如果使用uint8类型的话，会忽略掉这个方向的梯度，从而导致检测有误。因此最好将输出数据类型保留为更高的形式，例如cv2.CV_16S，16位的有符号数，或者更高阶的cv2.CV_64F等等。
Sobel

img = cv2.imread('0003.png',0)
sobelx = cv2.Sobel(img, cv2.CV_16S, 1, 0)  # 检测x方向梯度 ksize默认为3x3
sobely = cv2.Sobel(img, cv2.CV_16S, 0, 1)  # 检测y方向梯度
abx = cv2.convertScaleAbs(sobelx)  # 取sobelx绝对值，并转为uint8类型
aby = cv2.convertScaleAbs(sobely)  # 取sobelx绝对值，并转为uint8类型
 
dst = cv2.addWeighted(abx, 0.5, aby, 0.5, 0)  # 融合x、y两方向梯度

plt.subplot(121), plt.imshow(img, cmap='gray'), plt.title('原图')
plt.subplot(122), plt.imshow(abx, cmap='gray'), plt.title('x方向')
plt.show()
plt.subplot(121), plt.imshow(aby, cmap='gray'), plt.title('y方向')
plt.subplot(122), plt.imshow(dst, cmap='gray'), plt.title('边缘检测')
plt.show()

在这里插入图片描述
Scharr
代码和上面的差不多，只将Sobel换成对于的Scharr即可。

sobelx = cv2.Scharr(img, cv2.CV_16S, 1, 0)  # 检测x方向梯度 ksize默认为3x3
sobely = cv2.Scharr(img, cv2.CV_16S, 0, 1)  # 检测y方向梯度

在这里插入图片描述
Sobel vs. Scharr
scharr算子实际上是sobel算子的优化，从上述结果可以看出，scharr算子在处理边缘时比sobel精度高一些。在ksize=3x3时，两种算子唯一的区别就是他们的卷积核不同，在时间复杂度都是一样的。但Scharr只应用在ksize=3x3的情况下，而Sobel可以为1, 3, 5, 7,...

2. Laplacian求导

图像的拉普拉斯算子由这个关系式计算：
在这里插入图片描述
其中每个梯度由Sobel方法求得，当ksize=1时，则使用以下内核进行滤波：

Python: cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

laplacian = cv2.Laplacian(img, cv2.CV_16S, ksize=3)
plt.subplot(121), plt.imshow(img, cmap='gray'), plt.title('原图')
plt.subplot(122), plt.imshow(abx, cmap='gray'), plt.title('Laplacian')
plt.show()