图像梯度(opencv-c++)

图像梯度

梯度

梯度的本意是一个向量（矢量），表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）

设二元函数$z=f(x,y)$在平面区域D上具有一阶连续偏导数，则对于每一个点P（x，y）都可定出一个向量

{ ∂ f ∂ x , ∂ f ∂ x } = f x ( x , y ) i ˉ + f y ( x , y ) j ˉ \{\frac {\partial f}{\partial x},\frac {\partial f}{\partial x}\}=f_x(x,y)\bar i+f_y(x,y)\bar j {∂x∂f​,∂x∂f​}=fx​(x,y)iˉ+fy​(x,y)jˉ​，该函数就称为函数$z=f(x,y)$在点P（x，y）的梯度，记作gradf（x，y）或$▽f(x,y)$

g r a d f ( x , y ) = ▽ f ( x , y ) = { ∂ f ∂ x , ∂ f ∂ x } = f x ( x , y ) i ˉ + f y ( x , y ) j ˉ gradf(x,y)=\triangledown f(x,y)=\{\frac {\partial f}{\partial x},\frac {\partial f}{\partial x}\}=f_x(x,y)\bar i+f_y(x,y)\bar j gradf(x,y)=▽f(x,y)={∂x∂f​,∂x∂f​}=fx​(x,y)iˉ+fy​(x,y)jˉ​
其中$▽=\frac{\partial }{\partial x}\bar{i}+\frac{\partial }{\partial x}\bar{j}$ 称为（二维的）向量微分算子或Nabla算子

视频讲解

图像梯度推导

在微积分中，一维函数的一阶微分的基本定义是这样的：
$$\frac{df}{dx}=\underset{ϵ\to 0}{\lim }\frac{f(x+ϵ)-f(x)}{ϵ}$$
而图像是一个二维函数f(x,y)，其微分当然就是偏微分。因此有：
$$\begin{gathered} \frac{\partial f(x,y)}{\partial x}=\underset{ϵ\to 0}{\lim }\frac{f(x+ϵ,y)-f(x,y)}{ϵ} \\ \frac{\partial f(x,y)}{\partial y}=\underset{ϵ\to 0}{\lim }\frac{f(x,y+ϵ)-f(x,y)}{ϵ} \end{gathered}$$
因为图像是一个离散的二维函数，$ϵ$不能无限小，我们的图像是按照像素来离散的，最小的$ϵ$就是1像素。因此，上面的图像微分又变成了如下的形式（$ϵ=1$）：
$$\begin{gathered} \frac{\partial f(x,y)}{\partial x}=f(x+1,y)-f(x,y)=gx \\ \frac{\partial f(x,y)}{\partial y}=f(x,y+1)-f(x,y)=gy \end{gathered}$$
这分别是图像在(x, y)点处x方向和y方向上的梯度，从上面的表达式可以看出来，图像的梯度相当于2个相邻像素之间的差值。

梯度算法（opencv）

梯度简单来说就是求导。OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器：$Sobel$，$Scharr$ 和$Laplacian。$什么叫高通呢？其实就是和图像模糊相反。图像模糊是让低频通过，阻挡高频，这样就可以去除噪点，让锐利的边缘变平滑。高通滤波器就是让高频通过，阻挡低频，可以让边缘更加明显，增强图像。

Sobel算子

$$G_x=\left[\begin{array}{ccc}-1& 0& +1\\ -2& 0& +2\\ -1& 0& +1\end{array}\right]\ast Aand{G}_y=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ +1& +2& +1\end{array}\right]\ast A$$

$Sobel$算子是高斯平滑和微分操作的结合体，所以他的抗噪声能力很好。该算子利用局部差分寻找边缘，计算所得的是一个梯度的近似值。可以设定求导的方向（$X$ 或 $Y$）。还可以设定使用的卷积核大小（$ksize$）。当$ksize=-1$时，会使用$3x3$ 的$Scharr$滤波器，他的效果要比$3x3$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（一般就用$Sobel$算子即可）。

前一个$Sobel$矩阵与原始图像A进行卷积操作后得到的是右边的像素值减去左边的像素值；后一个$Sobel$矩阵与原始图像A进行卷积操作后得到的是下边的像素值减去上边的像素值。

$opencv（c++）中的定义$

void Sobel(cv::InputArray src, cv::OutputArray dst, int ddepth, int dx, int dy, int ksize = 3, double scale = (1.0), double delta = (0.0), int borderType = 4)

Scharr算子

$$G_x=\left[\begin{array}{ccc}-3& 0& +3\\ -10& 0& +10\\ -3& 0& +3\end{array}\right]\ast Aand{G}_y=\left[\begin{array}{ccc}-3& -10& -3\\ 0& 0& 0\\ +3& +10& +3\end{array}\right]\ast A$$

其实就是将$Sobel$算子的数增大了，这样对边缘的检测更敏感。

$opencv（c++）$中的定义

void Scharr(cv::InputArray src, cv::OutputArray dst, int ddepth, int dx, int dy, double scale = (1.0), double delta = (0.0), int borderType = 4)

Laplacian 算子

拉普拉斯算子：拉普拉斯算子（Laplace Operator）是n维欧几里德空间中的一个二阶微分算子，定义为梯度（▽f）的散度（▽·f）
$$△f={▽}^{2}f=▽.▽f=\sum _{i=1}^n\frac{{\partial }^{2}f}{\partial x_i^2}$$

在图像中

$Laplacian$（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。通常情况下，其算子的系数之和需要为零。

$opencv（c++）$中的定义

void cv::Laplacian(cv::InputArray src, cv::OutputArray dst, int ddepth, int ksize = 1, double scale = (1.0), double delta = (0.0), int borderType = 4)