win10+Python3.7.3+OpenCV3.4.1入门学习（九）————9.2 Sobel算子函数使用

Python版本是Python3.7.3，OpenCV版本OpenCV.3.4.1，开发环境为PyCharm

9.2 Sobel算子及函数使用

在OpenCV内，使用函数cv2.Sobel()实现Sobel算子运算，其语法形式为：

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

式中：
● dst 代表目标图像。
● src代表原始图像。
● ddepth 代表输出图像的深度。其具体对应关系如下表所示。

● dx 代表x方向上的求导阶数。
● dy 代表y方向上的求导阶数。
● ksize 代表Sobel核的大小。该值为-1时，则会使用Scharr算子进行运算。
● scale 代表计算导数值时所采用的缩放因子，默认情况下该值是1，是没有缩放的。
● delta 代表加在目标图像dst上的值，该值是可选的，默认为0。
● borderType 代表边界样式。该参数的具体类型及值如下表所示。

9.2.1 参数ddepth

在函数cv2.Sobel()的语法中规定，可以将函数cv2.Sobel()内ddepth参数的值设置为-1，让处理结果与原始图像保持一致。但是，如果直接将参数ddepth的值设置为-1，在计算时得到的结果可能是错误的。
在实际操作中，计算梯度值可能会出现负数。如果处理的图像是8位图类型，则在ddepth的参数值为-1时，意味着指定运算结果也是8位图类型，那么所有负数会自动截断为0，发生信息丢失。为了避免信息丢失，在计算时要先使用更高的数据类型cv2.CV_64F，再通过取绝对值将其映射为cv2.CV_8U（8位图）类型。所以，通常要将函数cv2.Sobel()内参数ddepth的值设置为“cv2.CV_64F”。
下面对参数ddepth值的设定做一个简要的说明。
例如，下图中的原始图像（左图）是一幅二值图像，图中黑色部分的像素值为0，白色部分的像素值为1。在计算A线条所在位置和B线条所在位置的近似偏导数时：
● 针对A线条所在列，右侧像素值减去左侧像素值所得近似偏导数的值为-1。
● 针对B线条所在列，右侧像素值减去左侧像素值所得近似偏导数的值为1。
针对上述偏导数结果进行不同方式的处理，可能会得到不同的结果，例如：
● 直接计算。此时，A线条位置的值为负数，B线条位置的值为正数。在显示时，由于上述负值不在8位图范围内，因此要做额外处理。将A线条处的负数偏导数处理为0, B线条处的正数偏导数保持不变。在这种情况下，显示结果如下图中间的图所示。
● 计算绝对值。此时，A线条处的负数偏导数被处理正数，B线条处的正数偏导数保持不变。在显示时，由于上述值在8位图的表示范围内，因此不再对上述值进行处理，此时，显示结果如下图中的右图所示。

上述问题在计算垂直方向的近似偏导数时同样存在。例如，下图中的原始图像（左图）是一幅二值图像，图中黑色部分的像素值为0，白色部分的像素值为1。计算A线条所在位置和B线条所在位置的近似偏导数时：
● 针对A线条所在行，下方像素值减去上方像素值所得近似偏导数为-1。
● 针对B线条所在行，下方像素值减去上方像素值所得近似偏导数为1。
针对上述偏导数结果进行不同方式的处理，可能会得到不同的结果，例如：
● 直接计算。此时，A线条位置的值为负数，B线条位置的值为正数。在显示时，上述值不在8位图的表示范围内，因此需要进行额外处理。将A线条处的负数偏导数处理为0, B线条处的正数偏导数保持不变。此时，显示结果如图中间的图所示。
● 计算绝对值。此时，A线条处的负数偏导数被处理正数，B线条处的正数偏导数保持不变。在显示时，由于上述值在8位图的表示范围内，因此不再对上述值进行处理，此时，显示结果如图中的右图所示。

经过上述分析可知，为了让偏导数正确地显示出来，需要将值为负数的近似偏导数转换为正数。即，要将偏导数取绝对值，以保证偏导数总能正确地显示出来。
例如，下图描述了如何计算偏导数。

为了得到结果为正数的偏导数，需要对图中计算的偏导数取绝对值，如下：
|P5x| = |(P3-P1) + 2*(P6-P4) + (P9-P7)|
|P5y| = |(P7-P1) + 2*(P8-P2) + (P9-P3)|

当然，在需要时，还可以进行如下处理：
P5Sobel = |P5x| + |P5y| = |(P3-P1) +2*(P6-P4) + (P9-P7)| + |(P7-P1) + 2*(P8-P2) + (P9-P3)|

经过以上分析，我们得知：在实际操作中，计算梯度值可能会出现负数。通常处理的图像是8位图类型，如果结果也是该类型，那么所有负数会自动截断为0，发生信息丢失。所以，为了避免信息丢失，我们在计算时使用更高的数据类型cv2.CV_64F，再通过取绝对值将其映射为cv2.CV_8U（8位图）类型。
在OpenCV中，使用函数cv2.convertScaleAbs()对参数取绝对值，该函数的语法格式为：

dst = cv2.convertScaleAbs( src [, alpha[, beta]] )

上式中：
● dst代表处理结果。
● src代表原始图像。
● alpha代表调节系数，该值是可选值，默认为1。
● beta代表调节亮度值，该值是默认值，默认为0。
这里，该函数的作用是将原始图像src转换为256色位图，其可以表示为：

dst=saturate(src*alpha+beta)

式中，saturate()表示计算结果的最大值是饱和值，例如当“src*alpha+beta”的值超过255时，其取值为255。

eg1：使用函数cv2.convertScaleAbs()对一个随机数组取绝对值。
代码如下：

import cv2
import numpy as np
img=np.random.randint(-256,256,size=[4,5],dtype=np.int16)
rst=cv2.convertScaleAbs(img)
print("img=\n",img)
print("rst=\n",rst)

运行程序，结果为：

img=
 [[-209   71 -217   74 -146]
 [ 217 -116   98   93   76]
 [  80  232  158 -232   17]
 [-152 -183  243   77 -177]]
rst=
 [[209  71 217  74 146]
 [217 116  98  93  76]
 [ 80 232 158 232  17]
 [152 183 243  77 177]]

9.2.2 方向

在函数cv2.Sobel()中，参数dx表示x轴方向的求导阶数，参数dy表示y轴方向的求导阶数。参数dx和dy通常的值为0或者1，最大值为2。如果是0，表示在该方向上没有求导。当然，参数dx和参数dy的值不能同时为0。参数dx和参数dy可以有多种形式的组合，主要包含：
● 计算x方向边缘（梯度）:dx=1, dy=0。
● 计算y方向边缘（梯度）:dx=0, dy=1。
● 参数dx与参数dy的值均为1:dx=1, dy=1。
● 计算x方向和y方向的边缘叠加：通过组合方式实现。
下面分别对上述情况进行简要说明。
1．计算x方向边缘（梯度）:dx=1, dy=0
如果想只计算x方向（水平方向）的边缘，需要将函数cv2.Sobel()的参数dx和dy的值设置为“dx=1, dy=0”。当然，也可以设置为“dx=2, dy=0”。此时，会仅仅获取水平方向的边缘信息，此时的语法格式为：

dst = cv2.Sobel( src , ddepth , 1 , 0 )

使用该语句获取边缘图的示例如下图所示，其中左图为原始图像，右图为获取的边缘图。

2．计算y方向边缘（梯度）:dx=0, dy=1
如果想只计算y方向（垂直方向）的边缘，需要将函数cv2.Sobel()的参数dx和dy的值设置为“dx=0, dy=1”。当然，也可以设置为“dx=0, dy=2”。此时，会仅仅获取垂直方向的边缘信息，此时的语法格式为：

dst = cv2.Sobel( src , ddepth , 0 , 1 )

使用该语句获取边缘图的示例如下图所示，其中左图为原始图像，右图为获取的边缘图。

3．参数dx与参数dy的值均为1:dx=1, dy=1
可以将函数cv2.Sobel()的参数dx和dy的值设置为“dx=1, dy=1”，也可以设置为“dx=2, dy=2”，或者两个参数都不为零的其他情况。此时，会获取两个方向的边缘信息，此时的语法格式为：

dst = cv2.Sobel( src , ddepth , 1 , 1 )

使用该语句获取边缘图的示例如下图所示，其中左图为原始图像，右图为获取的边缘图，仔细观察可以看到图中仅有若干个微小白点，每个点的大小为一个像素。

4．计算x方向和y方向的边缘叠加
如果想获取x方向和y方向的边缘叠加，需要分别获取水平方向、垂直方向两个方向的边缘图，然后将二者相加。此时的语法格式为：

dx= cv2.Sobel( src , ddepth , 1 , 0 )
dy= cv2.Sobel( src , ddepth , 0 , 1 )
dst=cv2.addWeighted( src1 , alpha , src2 , beta , gamma ）

使用上述语句获取边缘图的示意图如下图所示，其中左图为原始图像，右图为获取的边缘图。