OpenCV+python------【图像梯度】

前言

梯度简单理解就是求导，OpenCV提供了三种梯度滤波器，或称为高通滤波器：Sobel,Scharr，Laplacian。

Sobel，Scharr 是求一阶或二阶导数。
Scharr 是对 Sobel（使用小的卷积核求解求解梯度角度时)的优化。
Laplacian 是求二阶导数。

Sobel算子

Sobel算子是高斯平滑和微分操作的结合体，它的抗噪声能力很好，可以提供比较精确的边缘方向信息，但是边缘的定位精度不高。
我们可以设定求导的方向为$x$或$y$，设定卷积核的大小。

我们使用上述3*3模板对原图像进行卷积操作（对应位置相乘然后求和）得到Gx、Gy
假设A为如下像素值矩阵：
$\left[\begin{array}{ccc}P1& P2& P3\\ P4& P5& P6\\ P7& P8& P9\end{array}\right]$

$P5x$ = $(P3-P1)+(2P6-2P4)+(P9-P7)$
$P5y$ = $(P7-P1)+(2P8-2P2)+(P9-P3)$

把得到的结果替换掉中间的像素值，按照这样的方法对图像进行遍历，提取到水平和垂直方向的边界。

Sobel函数

dst = cv2.Sobel(src, ddepth, dx, dy,ksize)

• $src,dst：$ 输入图像和输出图像，图像尺寸一致。
• $int$ $ddepth：$输出图像的深度，针对不同的输入图像，输出目标图像有不同的深度，具体组合如下：
  若src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F
  若src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F
  若src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F
  若src.depth() = CV_64F, 取ddepth = -1/CV_64F
  注：ddepth =-1时，代表输出图像与输入图像相同的深度。
• $int$ $dx：$int类型dx，x 方向上的差分阶数，1或0
  $int$ $dy：$int类型dy，y 方向上的差分阶数，1或0
  dx=1，dy=0，表示计算X方向的导数，检测出的是垂直方向上的边缘；
  dx=0，dy=1，表示计算Y方向的导数，检测出的是水平方向上的边缘。
• $int$ $ksize：$为进行边缘检测时的模板大小为（ksize $\ast$ksize），取值为1、3、5和7，其中默认值为3。
  特殊情况：ksize=1时，采用的模板为3 $\ast$ 1或1 $\ast$ 3

Scharr

当ksize=3时，Sobel内核可能产生比较明显的误差，此时，可以使用 Scharr 函数，该函数仅作用于大小为3的内核（所以Scharr函数里不能自己设定卷积核大小）。它具有跟Sobel一样的速度，但结果更精确。
它的核模板为：

其运算法则也是跟上一个一样。

Scharr函数
dst = cv2.Scharr(src, ddepth, dx, dy)
参数含义与Sobel里面的一样，不做解释。

说明：
Sobel和Scharr是先算一个水平梯度，再算一个垂直梯度，将两个结果按照0.5的权重进行图像融合来得到完整的边界。

sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0) 

scharrxy = cv2.addWeighted(scharrx, 0.5, scharry, 0.5, 0)

Laplacian

Laplacian算子与前面的两种算子不同，它本身是一个二阶的，在水平方向运算两次，在垂直方向运行两次，两个结果相叠加替换中心点的像素值。
使用的核模板为：

把前面的那个像素值拿下来，假设A为如下像素值矩阵：
$\left[\begin{array}{ccc}P1& P2& P3\\ P4& P5& P6\\ P7& P8& P9\end{array}\right]$

$P5$ = $(P2+P4+P6+P8）-4P5$

三种算子对比结果可视化：

Scharr算子所获取的信息更多。

完整代码

import cv2
import numpy as np

def cv_show(name,img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

img = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE)
cv_show('img', img)

sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
# 取绝对值，并将梯度图像转换成256色位图，转换为unit8类型
sobelx = cv2.convertScaleAbs(sobelx)
#cv_show('sobelx', sobelx)

# 白到黑是整数，黑到白就是负数了， 所有的负数都会截断成0，所以要取绝对值

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


sobelxy1 = cv2.Sobel(img, cv2.CV_64F, 1, 1, ksize=3)
sobelxy1 = cv2.convertScaleAbs(sobelxy1)
# 直接计算
sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)  # 结果更好
#cv_show('sobelxy', sobelxy)

# 不同方向信息对比
# res1 = np.hstack((img, sobelx, sobely, sobelxy, sobelxy1))
# cv_show('res1', res1)

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

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

# 结果对比
res = np.hstack((img, sobelxy, scharrx, laplacian))
cv_show('res', res)