圖像梯度

圖像梯度
圖像梯度計算的是圖像變化的速度 對於圖像的邊緣部分，其灰度值變化較大，梯度值也較大
相反，對於圖像中比較平滑的部分，其灰度值變化較小，相應的梯度值也較小。
圖像梯度計算需要求導數，但是圖像梯度一般通過計算像素值的差來得到梯度的近似值（近似導數值）。（差分，離散）

Sobel運算元

 1 #Sobel演算法
 2 #dst =  cv2.sobel(src,depth,dx,dy,ksize)
 3 #depth:深度
 4 #dx和dy分別表示水平和豎直方向
 5 #ksize:sobel的運算元大小
 6 #cv2.CV_64F，因為在計算梯度的時候會涉及到負值，如果單純設置為-1，則會把負值改為0，顯然是不符合梯度要求的，
 7 #所以一般設置為cv2.cv_64f返回結果就可以是64位的一個數值，就是[-255, 255]，
 8 #這樣如果出現負梯度，我們就把負梯度也保留了
 9 
10 sobelX = cv2.Sobel(img,cv2.CV_64F,1,0,3)
11 #白->黑是正數 相反是負數，會被截斷為0  ，此時我們再用cv2.convertScaleAbs()函數把負梯度變正，就是我們的邊緣信息了
12 sobelX = cv2.convertScaleAbs(sobelX)
13 Cv_Show('SobelX Picture',sobelX)
14 
15 #sobelY同理
16 sobelY = cv2.Sobel(img,cv2.CV_64F,0,1,3)
17 sobelY = cv2.convertScaleAbs(sobelY)
18 Cv_Show('SobelY Picture',sobelY)
19 
20 #將sobelX 和 sobelY通過cv2.addweighted()綜合
21 sobelXY = cv2.addWeighted(sobelX, 0.5, sobelY, 0.5, 0)
22 Cv_Show('SobelXY Picture',sobelXY)
23 
24 #如果直接求和 效果將會變差 出現重影等現象 故不建議
25 dirXY = cv2.Sobel(img,cv2.CV_64F,1,1,3)
26 dirXY = cv2.convertScaleAbs(dirXY)
27 Cv_Show('DirXY Picture',dirXY)

Scharr運算元

1 #思想與sobel相同但是數值更大，相比於sobel對邊緣更加敏感
2 scharrX = cv2.Scharr(img,cv2.CV_64F,1,0)
3 scharrY = cv2.Scharr(img,cv2.CV_64F,0,1)
4 scharrX = cv2.convertScaleAbs(scharrX)
5 scharrY = cv2.convertScaleAbs(scharrY)
6 scharrXY = cv2.addWeighted(scharrX,0.5,scharrY,0.5 ,0)
7 Cv_Show('Scharr Picture',scharrXY)

Laplacian運算元

#Laplacian運算元
##Sobel運算元和Scharr運算元相當於一階導，而Laplacian運算元則涉及了二階導，但受噪音影響比較大,不建議直接使用 需要和其他工具配合
laplacian = cv2.Laplacian(img,Cv_Show)
laplacian = cv2.convertScaleAbs(laplacian)
Cv_Show('laplacian Picture',laplacian)

比較

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