OpenCV学习过程(4)_含图像梯度的内积-CSDN博客

本文链接：https://blog.csdn.net/yhyh_yhyh/article/details/140945266

1.图像梯度-sobel算子

计算图像梯度：

首先分成水平梯度和垂直梯度
水平梯度就是右减左，垂直梯度就是下减上
水平梯度表示Gx，垂直梯度表示Gy，分别与图像进行内积。就相当于卷积的过程。

$G_{x}=\begin{bmatrix} -1 & 0&+1 \\ -2 & 0&+2 \\ -1 & 0&+1 \end{bmatrix}*A$ $G_{y}=\begin{bmatrix} -1 & -2&-1 \\ 0 & 0&0 \\ +1 & +2&+1 \end{bmatrix}*A$

首先读取一张灰度图像：

import cv2 
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline 
img = cv2.imread('image/pie.png',cv2.IMREAD_GRAYSCALE)
def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()  
cv_show(img,'original')

sobel梯度函数：

dst = cv2.Sobel(src, ddepth, dx, dy, ksize)

ddepth:图像的深度，默认值为-1
dx和dy分别表示水平和竖直方向
ksize是Sobel算子的大小

计算dx梯度:

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

cv_show(sobelx,'sobelx')

由图像可以看到为什么它只显示左边的梯度，而右边的梯度不显示呢？

那是因为计算dx时，是右减左，所以计算右边半圆梯度的时候，计算结果为负数。在OpenCV中，它会自动把负数进行截断，变成0,所以右半圆就变成了黑色，只能显示左半圆。

下面取绝对值看一下：

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

现在它就全部显示啦！

计算dy梯度：（和dx梯度一样，这里我就直接计算绝对值了）

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

最后计算总梯度：

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

2.图像梯度-scharr算子和laplacian算子

scharr算子：

$G_{x}=\begin{bmatrix} -3 & 0&3 \\ 10 & 0&10 \\ -3 & 0&+3 \end{bmatrix}*A$ $G_{y}=\begin{bmatrix} -3 & -10&-3 \\ 0 & 0&0 \\ +3 & 10&+3 \end{bmatrix}*A$

laplacian算子：

$G_{}=\begin{bmatrix} 0& 1&0 \\ 1 & -4&1 \\ 0 & 1&0 \end{bmatrix}*A$

img = cv2.imread('image/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)  #sobel算子

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)  #scharr算子

laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)   #laplacian算子

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

原图展示：

这样我们就可以看到三个算子之间不同的差异，可以看到scharr算子更加的详细。

2.边缘检测

使用高斯滤波器，以平滑图像，滤除噪声。

计算图像中每个像素点的梯度强度和方向。

应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。

通过抑制孤立的弱边缘最终完成边缘检测。

1.高斯滤波器

2.梯度和方向

3.非极大值抑制

4.双阈值检测

在这里我取了一个偏大的双阈值和一个偏小的双阈值

img=cv2.imread("image/lena.jpg",cv2.IMREAD_GRAYSCALE)

v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)

res = np.hstack((v1,v2))
cv_show(res,'res')

可以看到阈值为(50, 100)比(80, 150)更加详细。