【OpenCV】学习OpenCV3——滤波与卷积（2）

一、导数和梯度

1.1 索贝尔算子cv2.Sobel()

  表示微分常用的算子是sobel算子，sobel算子可以实现任意阶导数和混合偏导数。
  sobel算子的一个好处就是可以将核定义为任何大小，并且可以快速迭代的构造这些核。大的核可以更好的近似导数，因为可以消除噪声的影响，不过假如导数在空间上变化剧烈，核太大可能发生偏差。
  dst=cv2.Sobel(src, ddepth, dx, dy, ksize=None, scale=None, delta=None, borderType=None)

参数	含义
src	输入图像
ddepth	输出图像的深度或类型如cv.CV_32F
dx	求导顺序，取值为0,1，o代表不求导
dy	求导顺序，取值为0,1，0代表不求导
ksize=None	滤波器的宽和高
scale=None	计算的导数值的可选比例因子
delta=None	在将结果存储之前将其添加到结果中，增量值。
borderType=None	边界填充的类型

    grad_x=cv.Sobel(image,cv.CV_32F,1,0)#求dx
    grad_y = cv.Sobel(image, cv.CV_32F, 0, 1) #求dy

1.2 Scharr算子cv2.Scharr()

  Scharr算子比Sobel算子更加准确，熟读同样很快。
  dst=cv2.Scharr(src, ddepth, dx, dy, scale=None, delta=None, borderType=None)

参数	含义
src	输入图像
ddepth	输出图像的深度或类型如cv.CV_32F
dx	求导顺序，取值为0,1，o代表不求导
dy	求导顺序，取值为0,1，0代表不求导
ksize=None	滤波器的宽和高
scale=None	计算的导数值的可选比例因子
delta=None	在将结果存储之前将其添加到结果中，增量值。
borderType=None	边界填充的类型

  grad_x=cv.Scharr(image,cv.CV_32F,1,0)#求dx
  grad_y = cv.Scharr(image, cv.CV_32F, 0, 1)  # 求dy

1.2 拉普拉斯算子cv2.Laplacian()

  Laplacian算子可以通过二阶导数定义，因此可以把它的离散实现与二阶Soble导数联系起来（OpenCV在实现laplacian算子时使用了sobel算子）laplacian算子就是图像在x，y轴方向上导数之和。
  dst=cv2.Laplacian(src, ddepth, ksize=None, scale=None, delta=None, borderType=None)

参数	含义
src	输入图像
ddepth	输出图像的深度或类型如cv.CV_32F
ksize=None	滤波器的宽和高
scale=None	计算的导数值的可选比例因子
delta=None	在将结果存储之前将其添加到结果中，增量值。
borderType=None	边界填充的类型

 dst=cv.Laplacian(image,cv.CV_32F)#求二阶导

二、图像形态学

2.1 腐蚀和膨胀

  最基础的形态学变换就是腐蚀和膨胀，他们在许多方面得到应用，比如消除噪声、元素分割和连接。基于这两种操作，可以实现更复杂的形态学操作，用来定位强度峰值或孔洞、另一种形式的梯度等。
  图像的形态学操作通常在阈值化操作后的布尔图像上进行，不过由于膨胀和腐蚀只是局部最大最小值的操作，因此形态学操作也可以在强度图像上进行。

2.1.1 腐蚀cv.erode()

  腐蚀计算的是核覆盖范围内的局部最小值。腐蚀缩减了明亮区域，消除凸起,通常用于消除图中斑点一样的噪声，原理是斑点经过腐蚀之后哦会消失，而大的可见区域不受影响。
  dst=cv2.erode(src, kernel, anchor=None, iterations=None, borderType=None, borderValue=None)

参数	含义
src	输入图像
kernel	滤波器的宽和高
iterations=None	迭代次数，如果不为1则自定重复多次调用这个函数
borderType=None	边界填充的类型
borderValue=None	当边界填充类型为BORDER_CONSTANT时，填入该值

dst=cv.erode(binary,(3,3))

2.1.2 膨胀cv2.dilate()

  膨胀是一种卷积操作，它将目标像素的值替换为卷积核覆盖区域的局部最大值。膨胀扩大了明亮区域，填充了凹面。通常用于发现联通分支。
  dst=cv2.dilate(src, kernel, anchor=None, iterations=None, borderType=None, borderValue=None)

参数	含义
src	输入图像
kernel	滤波器的宽和高
iterations=None	迭代次数，如果不为1则自定重复多次调用这个函数
borderType=None	边界填充的类型
borderValue=None	当边界填充类型为BORDER_CONSTANT时，填入该值

    #膨胀
    dst=cv.dilate(binary,(3,3))

2.2 通用形态学函数cv2.morphologyEx（）

  当处理的图像是二值图像时，基本的腐蚀和膨胀就够了，但是需要对灰度图或者彩色图进行处理时，需要其他操作实现，cv2.morphologyEx（）
  对于一副非布尔型图像进行形态学操作时，闭操作最明显的效果是消除值小于邻域内点的孤立异常值，而开操作消除的是大于领域内点的孤立异常值。
  dst=cv2.morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

参数	含义
src	输入图像
op	操作
kernel	滤波器的宽和高
iterations=None	迭代次数，如果不为1则自定重复多次调用这个函数
borderType=None	边界填充的类型
borderValue=None	当边界填充类型为BORDER_CONSTANT时，填入该值

op操作	作用
cv2.MORPH_OPE	开操作
cv2.MORPH_CLOSE	闭操作
cv2.MORPH_TOPHAT	顶帽操作
cv2.MORPH_BLACKHAT	黑帽操作
cv2.MORPH_GRADIENT	形态学梯度

 dst2=cv.morphologyEx(binary,cv.MORPH_CLOSE,(3,3))#参数，第二个为闭操作

2.2.1 开操作cv2.MORPH_OPEN

  开操作：先对图像进行腐蚀，再对图像进行膨胀。
  开操作通常对二值图像中的区域进行计数，例对显微镜载玻片上细胞的图像已经进行阈值处理，在对区域进行计数之前，需要用开操作来将相互靠的很近的细胞分开。

 dst1=cv.morphologyEx(binary,cv.MORPH_OPEN,(3,3)l)#参数，第二个为开操作

2.2.2 闭开操作cv2.MORPH_CLOSE

  闭操作：先对图像进行膨胀，之后再对图像进行腐蚀。
  闭操作用于复杂联通分支算法中减少无用或噪声驱动的片段。对于联通分支，通常进行腐蚀或闭操作消除噪声，然后通过开操作连接相互靠近的大型区域

 dst1=cv.morphologyEx(binary,cv.MORPH_CLOSE,(3,3))#参数，第二个为闭操作

2.2.3 形态学梯度cv2.MORPH_GRADIENT

  形态学梯度=膨胀操作的结果（扩张亮域）— 腐蚀操作的结果（缩减亮域）。结果就是产生图像中目标的边缘。

2.2.3 顶帽（cv2.MORPH_TOPHAT）和黑帽（cv2.MORPH_BLACKHAT）

  顶帽和黑帽操作分别用于显示与其邻域相比更亮或更暗的部分。
  顶帽操作=原图像—开操作后的图像
  黑帽操作=原图像—闭操作后的图像

2.3 自定义核cv2.getStructuringElement（）

  迄今为止我们用到的形态学操作中，使用的核大小总是3×3的矩形。opencv可以让你自己创建自己的核，在形态学上核通常称为结构元素。
  dst=cv2.getStructuringElement(shape, ksize, anchor=None)

参数	含义
shape	形状
kernel	滤波器的宽和高

shape选项	作用
cv2.MORPH_RECT	矩形
cv2.MORPH_ELLIPSE	椭圆形，以ksize.width和ksize.height为两个半径做椭圆
cv2.MORPH_CROSS	交叉

#模板/结构元素
 kernel=cv.getStructuringElement(cv.MORPH_RECT,(15,15))
 dst1=cv.morphologyEx(gray,cv.MORPH_TOPHAT,kernel)#参数，第二个为开操作