OpenCV计算图像梯度

Sobel算子

• 如何理解梯度？
  我们可以把梯度理解为一个图像的边界点。
• 如何计算梯度，我们可以之前定义kernel函数，对图像中的某一个点进行计算。同时我们还需要计算要从两个方向入手，1：水平计算；2：垂直计算。Sobel算子的计算公式如下如所示：
  
• 通过代码及展现形式可以更深入地了解用法：

#dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
#src:图像
#ddepth:图像的深度
#dx和dy分别表示水平和竖直方向
#ksize是Sobel算子的大小

def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
cv_show(sobelx,'sobelx')    

• 为什么只显示了半边的边界呢？因为白到黑是正数，黑到白就是负数了，所有的负数会被截断成0，所以要取绝对值。优化代码如下：

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')

sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)  
cv_show(sobely,'sobely')

• 计算完x,y之后在进行相加操作：

#这里的0.5表示的是图像的权重，0表示表示的是偏置项，默认为0
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')

• 这里不建议直接计算，这可能导致最后得到的梯度图像效果非常差，如下图所示：

sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy) 
cv_show(sobelxy,'sobelxy')

• 实战一下，我继续使用Lena这个图像进行操作。

img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')

Scharr算子

• Scharr算子公式如下图所示：
  
• 相比较Sobel，Scharr算子距离点近的值很大，而距离较远的值相对较小，整体数值要比Sobel大，最终对计算结果的差异性会更明显。
• 使用的函数为cv2.Scharr，具体实现与Sobel类似。

Laplacian算子

• Sobel算子是模拟一阶求导,导数越大的地方说明变换越明显,越有可能是边缘，而Laplacian使用到了二阶导（一阶导的变化率），虽然对于变化更敏感，但是同时会对噪音点也会更加敏感，反而影响了最终结果。所以需要配合其他工具一起使用才能得到更好的效果。
• Laplacian矩阵公式如下图所示
  
• 使用的函数为cv2.Laplacian，这个函数无需考虑到X,Y，用上去更简单了。

不同算子直接的比较

• 我们继续使用Lena这个图片来进行操作

img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)   
sobely = cv2.convertScaleAbs(sobely)  
sobelxy =  cv2.addWeighted(sobelx,0.5,sobely,0.5,0)  

scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)   
scharry = cv2.convertScaleAbs(scharry)  
scharrxy =  cv2.addWeighted(scharrx,0.5,scharry,0.5,0) 

laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)   

res = np.hstack((sobelxy,scharrxy,laplacian))
cv_show(res,'res')

• 从上面的图片我们可以到，相比于Sobel算子使用Scharr算子可以把本不是特别明显的边界也能展示出来。而拉普拉斯算子就好像有点拉胯了，当然它是需要配合其他工具一起使用的，效果才能更好。