2019-7-18 opencv图像处理6-图像梯度(Image Gradients )-发现边缘

官网参见https://docs.opencv.org/3.4.1/d5/d0f/tutorial_py_gradients.html

在形态学转换(https://blog.csdn.net/weixin_42555985/article/details/96272590)中已经提到形态学梯度概念，用于发现物体的边缘。

我们可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导。
图像边缘一般都是通过对图像进行梯度运算来实现的。
梯度可以理解为图像灰度值变化。

opencv提供3种类型梯度滤波器，或者说高通滤波器。Sobel, Scharr和Laplacian。
Sobel，Scharr 其实就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。

在图像平滑处理(https://blog.csdn.net/weixin_42555985/article/details/96101079)中已经介绍过低通滤波器，它的作用就是去除图像中的噪音。
而高通滤波器主要是为了图像识别抽取出图像特征，这里的特征一般为边缘纹理的特征。因为图像中边缘和纹理细节都是高频信号。

内容提要

• Sobel和Scharr算子
• Laplacian算子
• 重要事情：防止从白到黑的边界消失

1.Sobel和Scharr算子

Sobel算子是高斯平滑和微分操作的结合体，所以它的抗噪音能力很好。
你可以自己定义求导的方向，水平方向或者垂直方向（参数定义为xorder和yorder）。你也可以定义核大小，参数为ksize。如果ksize= -1，使用3x3的Scharr滤波器，它比3x3的Sobel滤波器的效果要好。

3x3的Scharr滤波器卷积核如下

• x方向Scharr核
  
• y方向Scharr核
  

2.Laplacian算子

opencv在计算Laplacian算子时直接调用Sobel算子。计算公式如下：

dst=Δsrc=$\partial x^{}$