【OpenCV学习】图像梯度：Sobel算子、Scharr算子、Laplacian算子

图像梯度计算的是图像变化的速度。对于边缘部分，其灰度值变化较大，梯度值也较大；相反，较平滑的部分，灰度值变化较小，相应的梯度值也较小，一般情况时，图像梯度计算的是图像的边缘信息。
严格来讲，计算图像梯度需要求导数，但是图像梯度一般通过计算像素值的差来得到梯度的近似值（近似导数值）。
边界是指左侧的像素值与右侧的像素值差值不为零。

Sobel算子

Sobel算子是一种离散的微分算子，该算子结合了高斯平滑和微分求导运算。该算子利用局部查分寻找边缘，计算所得的是一个梯度的近似值。滤波器通常是指由一幅图像根据像素点（x,y）临近的区域计算得到另外一幅新图像的算法。因此，滤波器是由邻域及预定义的操作构成的。滤波器也被称为“掩模”、“核”、“模板”、“窗口”、“算子”等。信号领域称为滤波器，数学领域称其为核。“线性滤波器”滤波的目标像素点的值等于原始像素值及其周围像素值的加权和。这种基于线性核的滤波，就是我们所熟悉的卷积。sobel算子通常是指sobel滤波器。

水平方向上偏导数的近似值计算：
使用33大小的Sobel算子时，水平方向偏导数Gx的计算方式为

src为原始图像，假设有9个像素点：

计算像素点P5水平方向偏导数P5x，则需要利用Sobel算子及P5邻域点，公式为：
P5x=（P3-P1）+2（P6-P4）+（P9-P7）

垂直方向偏导数的近似值：
将Sobel算子与原始图像src进行卷积计算，可以计算垂直方向上的变化情况，当Sobel算子的大小为3*3时，垂直方向偏导数Gy的计算方式为：

src为原始图像，假设其中有9个像素点：

要计算像素点P5垂直方向偏导数P5y，则需要利用Sobel算子及P5邻域点，所使用公式为：
P5y = （P7-P1）+2*（P8-P2）+（P9-P3）

Sobel算子及函数使用：
使用函数cv2.Sobel()实现Sobel算子运算，其语法形式为：

dst = cv2.Sobel(src, ddepth, dx, dy[,ksize[, scale[, delta[, borderType]]]])

• dst代表目标函数
• src代表原始图像
• ddpeth代表输出图像的深度
• dx代表x方向上的求导阶数
• dy代表y方向上的求导阶数
• ksize代表Sobel核的大小，该值为-1时，则会使用Scharr算子进行运算
• scale代表计算导数时所采用的缩放因子，默认为1，无缩放
• delta代表加在目标图像dst上的值，该值是可选的，默认为0
• borderType代表边界样式

在实际操作中，计算梯度值可能会出现负数，为了避免信息丢失，在计算时使用更高的数据类型cv2.CV_64F，在通过取绝对值将其映射为cv2.CV_8U(8位图)类型。
使用函数cv2.convertScaleAbs()对参数取绝对值，该函数语法格式为：

dst = cv2.convertScaleAbs( src [, alpha[, beta]])

• dst代表处理结果
• src代表原始图像
• alpha代表调节系数，默认为1
• beta代表调节亮度值，默认为0

该函数可将原始图像src转变为356色位图，表示为：

dst = saturate(src*alpha+beta)

saturate()表示计算结果的最大值是饱和值。

示例程序：

import cv2
img = cv2.imread('dige.jpg')
sobelx = cv2.Sobel(img, cv2.CV_64F,1,0)
sobely = cv2.Sobel(img, cv2.CV_64F, 0,1)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv2.imshow('img',img)
cv2.imshow('sobelxy',sobelxy)
cv2.waitKey()
cv2.destroyAllWindows()

运行结果：
原始图像

sobelxy

由结果可以看出，sobel算子可以计算出图像的边界，程序中先将图片的x和y方向的边缘分别计算出来，并取绝对值，然后利用cv2.addWeighted()函数将两个方向的梯度合并，结果便是整幅图像所有的边缘信息。

两种方式获取图像两个方向的边缘信息：

• 放式1：分别使用“dx=1，dy=0”和“dx=0，dy=1”计算图像在水平方向和垂直方向的边缘信息，然后将二者相加，构成两个方向的边缘信息。
• 方式2：将参数设置为“dx=1，dy=1”，获取图像在两个方向的梯度。

Scharr算子

Scharr算子可以被看做是对Sobel算子的改进，不仅具有和sobel算子同样的速度，且精度更高。Opencv提供了函数cv2.Scharr()来计算Scharr算子，语法如下：

dst = cv2.Scharr(src, ddepth, dx, dy[, scale[, delta[,borderType]]])

• dst代表输出图像
• src代表原始图像
• ddepth代表输出图像深度
• dx代表x方向上的导数阶数
• dy代表y方向上的导数阶数
• scale代表计算导数值时的缩放因子，默认值为1
• delta代表加到目标图像上的亮度值，默认值为0
• borderType代表边界样式。

在函数cv2.Sobel()中，如果ksize=-1，则会使用Scharr滤波器，因此语句：

dst = cv2.Scharr(src, ddepth, dx, dy)

和

dst = cv2.Sobel(src, ddepth, dx, dy, -1)

是等价的
函数cv2.Scharr()和函数cv2.Sobel()的使用方式一致
需要注意的是，参数ddepth的值应该设置为cv2.CV_64F，并对cv2.Scharr()的计算结果取绝对值，才能保证得到正确的处理结果。语句如下：

dst = Scharr(src, cv2.CV_64F, dx, dy)
dst = cv2.convertScaleAbs(dst)

Sobel算子和Scharr算子的比较

Sobel算子的缺点是，档期核结构较小时，精确度不高，而Scharr算子具有更高的精度。

Laplacian算子

Laplacian(拉普拉斯)算子是一种二阶导数算子，其具有旋转不变性，可以满足不同方向的**图像边缘锐化（边缘检测）**的要求。
一个33大小的Laplacian算子如下所示：

Laplacian算子类似二阶Sobel导数，需要计算两个方向的梯度值。

计算像素点P5的近似到数值，如下：
P5lag = （P2+P4+P6+P8）-4P5

计算结果的值可能为正，也可能为负。所以对计算结果取绝对值，以保证后续运算和显示都是正确的。

在Opencv使用函数cv2.Laplacian()实现Laplacian算子的计算，语法格式如下：

dst = cv2.Laplacian(src, ddepth[, ksize[, scale[, delte[, borderType]]]])

• dst代表目标图像
• src代表原始图像
• ddepth代表目标图像的深度
• ksize代表用于计算二阶导数的核尺寸大小，该值必须为正的奇数
• scale代表计算Laplacian值的缩放比例因子，该参数是可选的，默认为1，表示不缩放
• delta代表加到目标图像上的可选值，默认为0

示例代码：

import cv2
img = cv2.imread('opencv.jpg',cv2.IMREAD_GRAYSCALE)
laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)
cv2.imshow('img',img)
cv2.imshow('laplacian',laplacian)
cv2.waitKey()
cv2.destroyAllWindows()

结果如下：
原始图像

Laplacian的到的边缘信息

算子总结

Sobel算子、Scharr算子、Laplacian算子都可以用作边缘检测。