安培定则：也叫右手螺旋定则，是表示电流和电流激发磁场的磁感线方向间关系的定则。通电直导线中的安培定则（安培定则一）：用右手握住通电直导线，让大拇指指向电流的方向，那么四指指向就是磁感线的环绕方向；通电螺线管中的安培定则（安培定则二）：用右手握住通电螺线管，让四指指向电流的方向，那么大拇指所指的那一端是通电螺线管的N极。
科普
知识
前言
不知不觉，四月的第一个周已经故去了，国外感染新冠病毒的人口越来越多，庆幸我们出生于伟大的中国，愿人类世界尽快战胜病毒，恢复和谐社会。在上期的文章中，我们学习了图像的形态学技术，知道了开运算和闭运算，今天我们来学习图像的梯度知识，这对以后的图像边缘检测尤为重要，涉及到一部分数学知识，但是很简单，最后我会用一句话来概括，接着往下看。
图像梯度
图像梯度可以把图像看成二维离散函数，图像梯度简单来说就是求导，在图像上表现出来的就是提取图像的边缘（横向、纵向等等）。
1.1 数学推导
首先，我们来看一下传统微积分里面的求导公式（对x的一阶微分）：
然而，图像是二维函数f(x,y)，这时候的微分就是偏微分了：
对 x方向的偏微分：
对y方向的偏微分：
现在考虑一个问题，ϵ这个值如何选取呢？上高数的时候，我们都是连续函数，因此这个值可以取得很小，ϵ可以理解为x的最小前进步伐，但是图像是一个离散的二维函数，ϵ不能取得很小，图像中像素来离散的，而像素之间最小的距离是1，ϵ取为1，所以，上面的公式变为：
由此，我们得到了图像在x方向和y方向的梯度公式了，值得注意的是，如果我们仔细观察公式就可发现，所谓x方向和y方向的梯度公式不就是相邻连个像素值之间的差值吗？是的，你没看错，当然，我们很多时候都会将两个方向的梯度进行合成：
由于上面的合成方式在数学计算上有点麻烦，因为直接采用绝对值计算：
我们总结一句话：图像梯度的本质：当前方向上相邻像素的差值。
1.2 原始图片
（一座城市的高楼大厦）
1.3 代码实践
#coding:utf-8
import cv2
import numpy as np
# Scharr算子实现梯度计算
def Scharr_demo(image):
# x 方向梯度
image_grad_x = cv2.Scharr(image, cv2.CV_32F, 1, 0)
# y 方向梯度
image_grad_y = cv2.Scharr(image, cv2.CV_32F, 0, 1)
# 分别求绝对值并转化为8位的图像上，这样做方便显示
image_gradx = cv2.convertScaleAbs(image_grad_x)
image_grady = cv2.convertScaleAbs(image_grad_y)
# 显示两个方向图像
cv2.imshow("image_gradient-x", image_gradx)
cv2.imshow("image_gradient-y", image_grady)
#两个方向梯度的叠加，权重各自一半
image_gradxy = cv2.addWeighted(image_gradx, 0.5, image_grady, 0.5, 0)
cv2.imshow("image_gradient", image_gradxy)
if __name__ == '__main__':
image = cv2.imread("./test01.jpg")
cv2.imshow("src_image", image)
Scharr_demo(image)
cv2.waitKey(0)
cv2.destroyAllWindows()
代码解读：以上代码就是用了Scharr算子实现了图像的梯度计算，因此只需要重点关注cv2.Scharr（）这个函数即可，一共三个参数，第一个是需要计算梯度的图像，第二个是图像的数据格式，第三个参数为1，0或者0,1，分别对应x方向与y方向，一般情况下，单独梯度计算出来后都会进行叠加以增强效果，因此叠加函数就排上了用场，由于各自取一半的可信度，因此，权重都为0.5，之前我们讲过这个函数哦。
1.4 效果展示
x 方向梯度图像：
y 方向梯度图像：
x，y梯度叠加图像：
（可以看到，图像的边缘已经被检测出来了，后期我们可能继续深入讲解）
结语
今天的知识分享结束了，虽然涉及到了一定的数学知识，不过不要担心哦，因为我们用一句话总结了梯度的定义哦，并且梯度的实现方式opencv库函数已经帮我们做到了，我们只需要根据参数使用就好了，是不是很简单呢，大家下去好好消化哦，我们下期再见。
编辑：玥怡居士|审核：小圈圈居士
▼
往期精彩回顾
▼
扫码关注更多精彩
点亮在看，你最好看！
760
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
