图像梯度

图像梯度
图像梯度计算的是图像变化的速度 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。
图像梯度计算需要求导数，但是图像梯度一般通过计算像素值的差来得到梯度的近似值（近似导数值）。（差分，离散）
Sobel算子

1. 1 #Sobel算法
2. 2 #dst =  cv2.sobel(src,depth,dx,dy,ksize)
3. 3 #depth:深度
4. 4 #dx和dy分别表示水平和竖直方向
5. 5 #ksize:sobel的算子大小
6. 6 #cv2.CV_64F，因为在计算梯度的时候会涉及到负值，如果单纯设置为-1，则会把负值改为0，显然是不符合梯度要求的，
7. 7 #所以一般设置为cv2.cv_64f返回结果就可以是64位的一个数值，就是[-255, 255]，
8. 8 #这样如果出现负梯度，我们就把负梯度也保留了
9. 9
10. 10 sobelX = cv2.Sobel(img,cv2.CV_64F,1,0,3)
11. 11 #白->黑是正数 相反是负数，会被截断为0  ，此时我们再用cv2.convertScaleAbs()函数把负梯度变正，就是我们的边缘信息了
12. 12 sobelX = cv2.convertScaleAbs(sobelX)
13. 13 Cv_Show('SobelX Picture',sobelX)
14. 14
15. 15 #sobelY同理
16. 16 sobelY = cv2.Sobel(img,cv2.CV_64F,0,1,3)
17. 17 sobelY = cv2.convertScaleAbs(sobelY)
18. 18 Cv_Show('SobelY Picture',sobelY)
19. 19
20. 20 #将sobelX 和 sobelY通过cv2.addweighted()综合
21. 21 sobelXY = cv2.addWeighted(sobelX, 0.5, sobelY, 0.5, 0)
22. 22 Cv_Show('SobelXY Picture',sobelXY)
23. 23
24. 24 #如果直接求和 效果将会变差 出现重影等现象 故不建议
25. 25 dirXY = cv2.Sobel(img,cv2.CV_64F,1,1,3)
26. 26 dirXY = cv2.convertScaleAbs(dirXY)
27. 27 Cv_Show('DirXY Picture',dirXY)

复制代码

Scharr算子

1. 1 #思想与sobel相同但是数值更大，相比于sobel对边缘更加敏感
2. 2 scharrX = cv2.Scharr(img,cv2.CV_64F,1,0)
3. 3 scharrY = cv2.Scharr(img,cv2.CV_64F,0,1)
4. 4 scharrX = cv2.convertScaleAbs(scharrX)
5. 5 scharrY = cv2.convertScaleAbs(scharrY)
6. 6 scharrXY = cv2.addWeighted(scharrX,0.5,scharrY,0.5 ,0)
7. 7 Cv_Show('Scharr Picture',scharrXY)

复制代码

Laplacian算子

1. #Laplacian算子
2. ##Sobel算子和Scharr算子相当于一阶导，而Laplacian算子则涉及了二阶导，但受噪音影响比较大,不建议直接使用 需要和其他工具配合
3. laplacian = cv2.Laplacian(img,Cv_Show)
4. laplacian = cv2.convertScaleAbs(laplacian)
5. Cv_Show('laplacian Picture',laplacian)

复制代码

比较

1. 1 res = np.hstack((sobelXY,scharrXY,laplacian))
2. 2 Cv_Show('Sobel Scharr Laplacian Picture',res)

复制代码

 

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！