PythonCV学习记录6——图片的信息处理_python 图片信息处理-CSDN博客

假设把一个图当做一个二元函数的话，它的颜色值可以假设作为一个由X，Y决定的函数。那么，我们对其求导就是其梯度。但是在数据处理方面，这是一个不连续的函数，X=1,2,3……所以，我们只能有差分的方法求导。求一个一元的函数的导就像这样 ${Fx}' = \frac{Fx\left ( X+1\right )-Fx\left ( X \right )}{1}$

二元函数求导有二元函数的公式，转换成代码的差分函数。我不做详细的描述。这有一篇大佬的文章，是分析数学的：

https://blog.csdn.net/b5w2p0/article/details/9294503

然后说呢，比如我们只求图片X方向上的梯度，那么也就是说：对于 $\begin{bmatrix} a&b &c \\ d&e& f\\ g&h & i \end{bmatrix}$ 这个图片（矩阵），我们的有一个这样的算子 $\begin{bmatrix} -1& 0 &1 \end{bmatrix}$

那么们代给e的话就是e'=f-d。然后这个e'就是在该算子下的值，然后这个值就是新图片的一部分。然后一直循环运算，就可以得到一个图的梯度图。所以，算子不同，梯度图的效果就不同，比如这样的拉普拉斯算子 $\begin{bmatrix} 0 &1 &0 \\ 1& -4& 1\\ 0&1 &0 \end{bmatrix}$

梯度的方向一般总是与边界垂直。梯度方向被归为四类：垂直，水平，和两个对角线。

看看梯度图的效果叭：

2.常用的梯度算法

①Sobel 算子和 Scharr 算子

Sobel 算子是高斯平滑与微分操作的结合体，所以它的抗噪声能力很好。你可以设定求导的方向（xorder 或 yorder）。还可以设定使用的卷积核的大小（ksize）。如果 ksize=-1，会使用 3x3 的 Scharr 滤波器，它的的效果要比 3x3 的 Sobel 滤波器好（而且速度相同，所以在使用 3x3 滤波器时应该尽量使用 Scharr 滤波器）。3x3 的 Scharr 滤波器卷积核如下：

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)

②Laplacian 算子

拉普拉斯算子可以使用二阶导数的形式定义，可假设其离散实现类似于二阶 Sobel 导数，事实上，OpenCV 在计算拉普拉斯算子时直接调用 Sobel 算子。计算公式如下：

拉普拉斯滤波器使用的卷积核： $\begin{bmatrix} 0 &1 &0 \\ 1& -4& 1\\ 0&1 &0 \end{bmatrix}$

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

③注意

在查看上面这个例子的注释时不知道你有没有注意到：当我们可以通过参数 -1 来设定输出图像的深度（数据类型）与原图像保持一致，但是我们在代码中使用的却是 cv2.CV_64F。这是为什么呢？想象一下一个从黑到白的边界的导数是整数，而一个从白到黑的边界点导数却是负数。如果原图像的深度是np.int8 时，所有的负值都会被截断变成 0，换句话说就是把把边界丢失掉。所以如果这两种边界你都想检测到，最好的的办法就是将输出的数据类型设置的更高，比如 cv2.CV_16S，cv2.CV_64F 等。取绝对值然后再把它转回到 cv2.CV_8U。

二.Canny边缘检测

1.过程简述

①噪声去除

由于边缘检测很容易受到噪声影响，所以第一步是使用 5x5 的高斯滤波器去除噪声。

②计算梯度

对平滑后的图像使用 Sobel 算子计算水平方向和竖直方向的一阶导数（图像梯度）（Gx 和 Gy）。根据得到的这两幅梯度图（Gx 和 Gy）找到边界的梯度和方向，公式如下：

③非最大值抑制——把边界边薄

其含义为，因为边界嘛，所以因该很薄，所以只用取我们取出来的的梯度图中的最大的一个点。比如下图，CAB三个点中，如果A最大，那么说明它的变化最明显，更像边界，所以我们选A为边界点。现在你得到的是一个包含“窄边界”的二值图像

④滞后阀值——去除非边界

由上图我们可以看到，我们给一个maxval，minval两个值作为边界的判定区域，如果高于maxval那么就是边界，低于minval就不是边界。在maxval与minval之间的区域，我称之为“待定区域”，这个区域用于检测是否与边界相连，从而判定为是否为边界，比如C点与A相连，C就是边界。B独立，那么就不为边界。

所以选择合适的 maxVal和 minVal 对于能否得到好的结果非常重要。在这一步一些小的噪声点也会被除去，因为我们假设边界都是一些长的线段。