图像梯度【OpenCV&Python】

0 引言

参考书籍 《OpenCV轻松入门——面向Python》李立宗著，电子工业出版社出版
图像梯度计算的计算图像变化的速度。
对于图像的边缘部分，其灰度值变化较大，梯度值也较大；相反，对于图像中比较平滑的部分，其灰度值变化较小，相应的梯度值也较小。
一般来说，图像梯度计算的是图像的边缘信息。

1 Sobel理论基础

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。
该算子利用局部差分寻找边缘，计算所得的是一个梯度的近似值。
Sobel算子如图1所示。

水平方向：

垂直方向：

需要说明的是，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，滤波器是由邻域及其预定义的操作构成的。滤波器规定了滤波所采用的形状以及该区域内像素值的组成规律。
滤波器也被称为“掩模”、“核”、“模板”、“窗口”、“算子”等等。也就是说，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。

如图，计算水平方向与垂直方向的偏导数。

1、水平方向

计算像素点P5的水平方向偏导数P5x,则需利用Sobel算子及P5邻域点，所使用的公式为：

$P5x=（P3-P1）+（P6-P4）+（P9-P7）$

即用像素点P5右侧像素点的像素值减去其左侧像素点的像素值。其中，中间像素点（P4和P6）距像素点P5较近，其像素值差值的权重为2；其余差值的权重为1。

2、垂直方向

计算像素点P5的水平方向偏导数P5y,则需利用Sobel算子及P5邻域点，所使用的公式为：

$P5y=（P7-P1）+（P68-P2）+（P9-P3）$

即用像素点P5下一行像素点的像素值减去其上一行像素点的像素值。其中，中间像素点（P2和P8）距像素点P5较近，其像素值差值的权重为2；其余差值的权重为1。

2 Sobel算子及函数使用

在OpenCV内，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]]]])
# 式中，dst代表目标图像
# src代表原始图像。
# ddepth代表输出的图像深度。
# 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代表计算导数时的缩放因子，默认情况下为1，是没有缩放的。
# 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。

2.1 参数ddepth

在函数cv2.Sobel()的语法中规定，可以将函数cv2.Sobel()内ddepth参数的值设为-1，让处理结果与原始图像保持一致。但是，如果直接将参数ddepth的值设置为1，在计算时的带的结果可能是错误的。

在实际操作中，计算的梯度值可能会出现负数。如果处理的图像是8位图类型，则在ddepth的参数值为-1时，意味着指定运算结果也是8位图类型，那么所有的负数会自动截断为0，发生信息丢失。
为了避免信息丢失，在计算时要先使用更高的数据类型cv2.CV_64F，再通过取绝对值将其映射为cv2.CV_8U(8位图)。所以通常要将函数cv2.Sobel()内ddepth参数的值设为“cv2.CV_64F”。

在OpenCV中，使用函数cv2.convertScaleAbs()对参数取绝对值，该函数的语法格式为：

dst = cv2.convertScaleAbs