Python-OpenCV 图像处理（十六）：图像梯度

import cv2
import numpy as np
from matplotlib import pyplot as plt

__author__ = "zxsuperstar"
__email__ = "zxsuperstar@163.com"

"""
图像梯度
一阶导数和Soble算子
Sobel算子是普通一阶差分，是基于寻找梯度强度。拉普拉斯算子（二阶差分）是基于过零点检测。通过计算梯度，设置阀值，得到边缘图像。
二阶导数和拉普拉斯算子
"""
def sobel_demo(image):
    grad_x = cv2.Sobel(image, cv2.CV_32F,1,0) #x方向一阶导数
    grad_y = cv2.Sobel(image, cv2.CV_32F,0,1)
    gradx = cv2.convertScaleAbs(grad_x) #将其转回原来的uint8形式
    grady = cv2.convertScaleAbs(grad_y)
    cv2.imshow("gradient_x",gradx)
    cv2.imshow("gradient_y",grady)

    gradxy = cv2.addWeighted(gradx,0.5,grady,0.5,0)
    cv2.imshow("gradient_xy", gradxy)


def scharr_demo(image):
    grad_x = cv2.Scharr(image, cv2.CV_32F,1,0) #x方向一阶导数
    grad_y = cv2.Scharr(image, cv2.CV_32F,0,1)
    gradx = cv2.convertScaleAbs(grad_x)
    grady = cv2.convertScaleAbs(grad_y)
    cv2.imshow("gradient_x",gradx)
    cv2.imshow("gradient_y",grady)

    gradxy = cv2.addWeighted(gradx,0.5,grady,0.5,0)
    cv2.imshow("gradient_xy", gradxy)


def lapalian_demo(image): #拉普拉斯算子
    # dst = cv2.Laplacian(image,cv2.CV_32F)
    # lpls = cv2.convertScaleAbs(dst)
    kernel = np.array([[0,1,0],[1,-4,1],[0,1,0]])
    dst = cv2.filter2D(image,cv2.CV_32F, kernel=kernel)
    lpls = cv2.convertScaleAbs(dst) #单通道
    cv2.imshow("lapalian", lpls)


if __name__ == "__main__":
    src = cv2.imread("t.jpg") #blue green red
    # cv2.namedWindow("image", cv2.WINDOW_AUTOSIZE)
    cv2.imshow("image",src)
    # sobel_demo(src)
    # scharr_demo(src)
    lapalian_demo(src)

    cv2.waitKey(0)
    cv2.destroyAllWindows()

说明：

1.Sobel算子用来计算图像灰度函数的近似梯度。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。

2.Sobel具有平滑和微分的功效。即：Sobel算子先将图像横向或纵向平滑，然后再纵向或横向差分，得到的结果是平滑后的差分结果。

OpenCV的Sobel函数原型为：Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst

src参数表示输入需要处理的图像。

ddepth参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。

　　具体组合如下： 
　　src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F （一般源图像都为CV_8U，为了避免溢出，一般ddepth参数选择CV_32F）
　　src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F 
　　src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F 
　　src.depth() = CV_64F, 取ddepth = -1/CV_64F 
　　注：ddepth =-1时，代表输出图像与输入图像相同的深度。 

dx参数表示x方向上的差分阶数，1或0 。

dy参数表示y 方向上的差分阶数，1或0 。

dst参数表示输出与src相同大小和相同通道数的图像。

ksize参数表示Sobel算子的大小，必须为1、3、5、7。

scale参数表示缩放导数的比例常数，默认情况下没有伸缩系数。

delta参数表示一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中。

borderType表示判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。

3.OpenCV的convertScaleAbs函数使用线性变换转换输入数组元素成8位无符号整型。函数原型：convertScaleAbs(src[, dst[, alpha[, beta]]]) -> dst

src参数表示原数组。

dst参数表示输出数组 (深度为 8u)。

alpha参数表示比例因子。

beta参数表示原数组元素按比例缩放后添加的值。

4.OpenCV的addWeighted函数是计算两个数组的加权和。函数原型：addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) -> dst

src1参数表示需要加权的第一个输入数组。

alpha参数表示第一个数组的权重。

src2参数表示第二个输入数组，它和第一个数组拥有相同的尺寸和通道数。

 beta参数表示第二个数组的权重。

gamma参数表示一个加到权重总和上的标量值。

dst参数表示输出的数组，它和输入的两个数组拥有相同的尺寸和通道数。

dtype参数表示输出数组的可选深度。当两个输入数组具有相同的深度时，这个参数设置为-1（默认值），即等同于src1.depth（）。

5.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）。

6.OpenCV的Laplacian函数原型为：Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst

src参数表示输入需要处理的图像。

ddepth参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。

　　具体组合如下： 
　　src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F （一般源图像都为CV_8U，为了避免溢出，一般ddepth参数选择CV_32F）
　　src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F 
　　src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F 
　　src.depth() = CV_64F, 取ddepth = -1/CV_64F 
　　注：ddepth =-1时，代表输出图像与输入图像相同的深度。 

dst参数表示输出与src相同大小和相同通道数的图像。

ksize参数表示用于计算二阶导数滤波器的孔径大小，大小必须是正数和奇数。

scale参数表示计算拉普拉斯算子值的比例因子，默认情况下没有伸缩系数。

delta参数表示一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中。

borderType表示判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。

补：

这里ksize参数默认值为1，此时Laplacian()函数采用以下3x3的孔径：

                                             

参考：https://www.cnblogs.com/FHC1994/p/9125570.html