OpenCV——图像梯度与边缘检测(python实现)

OpenCV——图像梯度与边缘检测

6.1 简介

严格的说，梯度计算需要求导数。但是图像梯度的计算，是通过计算像素值的差得到梯度的近似值。图像梯度表示的是图像变化的速度，反映了图像的边缘信息。

边缘是像素值快速变化的地方。所以对于图像的边缘部分，其灰度值变化较大，梯度值也较大；对于图像中较平滑的部分，其灰度值变化较小，梯度值也较小。

为了检测边缘，我们需要检测图像中的不连续性，可以使用图像梯度来检测不连续性。

但是，图像梯度也会受到噪声的影响，因此建议先对图像进行平滑处理。

6.2 学习目标

• 掌握图像梯度与几种算子的原理
• 掌握Canny边缘检测的原理

6.3 内容介绍

1. 图像梯度与Sobel算子
2. Canny边缘检测介绍
3. OpenCV代码实践

6.4 算法理论介绍与推荐

6.4.1 图像梯度与几种算子

“滤波器”也可以称为“卷积核”，“掩膜”，“算子”等。

1、Sobel算子

Sobel算子是一个$3\times 3$的卷积核，利用局部差分寻找边缘，计算得到梯度的近似值。
x和y方向的Sobel算子分别为：
$$\begin{gathered} Gx=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right] \\ Gy=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right] \end{gathered}$$

梯度有方向，对于一个图像，可以通过Sobel算子分别计算水平方向和垂直方向的偏导数的近似值。

计算水平方向偏导数的近似值

设原图像大小为$3\times 3$，水平方向偏导数$Gx$为：

计算像素点P5的梯度，需要利用邻域内的像素点，公式为：
$$P5x=(P3-P1)+2(P6-P4)+(P9-P7)$$
即用像素点P5右侧像素值减去左侧像素值，距离P5近的点权重较大，为2；距离P5远的点权重较小，为1。

计算垂直方向偏导数的近似值

设原图像大小为$3\times 3$，垂直方向偏导数$Gy$为：

计算像素点P5的梯度，需要利用邻域内的像素点，公式为：
$$P5y=(P7-P1)+2(P8-P2)+(P9-P3)$$
即用像素点P5下一行的像素值减去上一行的像素值，距离P5近的点权重较大，为2；距离P5远的点权重较小，为1。

2、Scharr算子

x和y方向的Scharr算子分别为：
$$Gx=[\begin{array}{c}-3<\end{array}$$