opencv 图像梯度计算-Sobel算子、Scharr算子、laplacian算子

总述

me:梯度：从效果上看有种在描图片框架的感觉

以下为原图 lena以及求完梯度后的效果

Sobel算子 

 Gx左右两个方向的差异；Gy上下两个方向的差异

总和一般为G=Gx^2+Gy^2或者G=|Cx|+|Gy|

假设A=[[x11,x12,x13],[x21,x22,x23],[x31,x32,x33]]]

Gx求的是中心点x22水平方向上的差异

Gx=(x13-x11)+2(x23-x21)+(x33-x31)
认为x21与x23离所求点x22最近，所以权重值给了2
x11,x13,x31,x33离所求点比较远，所以权重值给了1
思想类似于高斯滤波

注意是右边-左边

#先读取一张图片
img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)
cv2.imshow("img",img)
cv2.waitKey()
cv2.destroyAllWindows()

#显示图片定义成一个函数
def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()

 dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
- ddepth:图像的深度 一遍为-1,表示输出深度和输入深度一模一样的
- dx和dy分别表示水平和竖直方向
- ksize是Sobel算子的大小

白到黑是正数，黑到白就是负数了，做运算时,opencv会将所有的负数会被截断成0，所以要取绝对值
取绝对值是因为我们想看成差异有多大 

cv2.CV_64F：使位数更多，能将负数的形式表示 这里dx=1,dy=0是只希望算水平方向

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)

# opencv会将所有的负数会被截断成0，所以只看到左边的轮廓
# 右边的轮廓为黑-白，得负数了，所以自己取0了
# 里面的白-白=0，所以成黑色了
cv_show(sobelx,'sobelx')

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
# 负数加上绝对值变成一个值
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')

sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)  
cv_show(sobely,'sobely')

建议分别计算x和y，再求和

一般偏置项为0 

sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')

不建议直接计算，会有重影

sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy) 
cv_show(sobelxy,'sobelxy')

 对图片lena(文章一开始给出的图片)求梯度

img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')

Scharr算子 (相当于放大边界的差异)

laplacian算子(对噪音点敏感)

 中间点与周围的点进行比较，如果是边界点，则出现的浮动应该比较大

从G中可以看出来，本身已经考虑了四周的点，无需分Gx与Gy

Laplacian效果不是很好，一遍跟其他工具一起使用

不同算子的差异 

#不同算子的差异
img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)   
sobely = cv2.convertScaleAbs(sobely)  
sobelxy =  cv2.addWeighted(sobelx,0.5,sobely,0.5,0)  

#关注的线条更丰富了，捕捉到更多线条的信息，即Scharr算子更敏感
scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)   
scharry = cv2.convertScaleAbs(scharry)  
scharrxy =  cv2.addWeighted(scharrx,0.5,scharry,0.5,0) 

#Laplacian效果不是很好，一遍跟其他工具一起使用
laplacian = cv2.Laplacian(img,cv2.CV_64F)
#负值转换成绝对值
laplacian = cv2.convertScaleAbs(laplacian)   

res = np.hstack((sobelxy,scharrxy,laplacian))
cv_show(res,'compare')