图像sobel梯度详细计算过程_干货|西大学长教你玩转计算机07——图像导数实战...

图源网络

锵锵锵，大家好，每周一度的马学长课堂又开课啦！今天，是Python图像处理系列的最后一课啦，相信大家通过之前的学习，都对Python图像处理有了系统的了解，并形成了自己的学习方法。下面让我们一起进入今天的课堂吧！

上节为大家介绍了SciPy库的使用以及图像高斯模糊实战，这一次继续为大家详细讲解SciPy库的使用以及图像导数实战。

SciPy

SciPy是建立在NumPy基础上，用于数值运算的开源工具包。SciPy提供很多高效的操作，可以实现数值优化、统计、信号、积分处理，以及最重要的图像处理功能。接下来，本节会介绍SciPy中大量有用的模块。

图像导数

在整个图像处理的学习过程中可以看到，在很多应用中图像强度的变化情况是非常重要的信息。强度的变化可以用灰度图像I(对于彩色图像，通常对每个颜色通道分别计算导数)的Ix和Iy的方向导数和进行描述。

图像的梯度向量：

梯度有两个重要的属性，一个是梯度的大小：

它描述了图像变化的强弱，一是梯度的角度：

角度的变化区间为

卷积简单实现

Prewitt滤波器：

Prewitt边缘算子是一种边缘样板算子，对噪声具有平滑作用。由于边缘点像素的灰度值与其领域点像素的灰度值有显著不同，在实际应用中通常采用微分算子和模板配匹方法检测图像的边缘。

这里使用 ROF(Rudin-Osher-Fatemi)去噪模型。Sobel滤波器，Sobel算法是一种较成熟的微分边缘检测算法，它计算简单，且能产生较好的检测效果，对噪声具有平滑作用，可以提供较为精确的边缘方向信息。

其实图像的梯度可以用一阶导数和二阶偏导数来求解。但是图像以矩阵的形式存储的，不能像数学理论中对直线或者曲线求导一样，对一幅图像的求导相当于对一个平面、曲面求导。对图像的操作，我们采用模板对原图像进行卷积运算，从而达到我们想要的效果。

而获取一幅图像的梯度就转化为：模板(Roberts、Prewitt、Sobel、Lapacian算子)对原图像进行卷积，不过这里的模板并不是随便设计的，而是根据数学中求导理论推导出来的。

导数滤波器可以使用scipy.ndimage.filters模块的标准卷积操作来简单地实现。

代码为：

原始灰度图像、x导数图像、y导数图像、梯度大小图像

本次有关Python图像处理的分享到这里就结束了。希望大家能多加练习，争取早日成为技术大牛哦！