5.6. 图像梯度¶
目标
图像梯度，图像边界等
使用到的函数有：cv2.Sobel()，cv2.Schar()，cv2.Laplacian() 等
原理
梯度简单来说就是求导。
OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器：Sobel，Scharr 和 Laplacian。我们会一一介绍他们。
Sobel，Scharr 其实就是求一阶或二阶导数。Scharr 是对 Sobel（使用小的卷积核求解求解梯度角度时）的优化。Laplacian 是求二阶导数。
5.6.1. Sobel 算子和 Scharr 算子¶
Sobel 算子是高斯平滑与微分操作的结合体，所以它的抗噪声能力很好。你可以设定求导的方向（xorder 或 yorder）。还可以设定使用的卷积核的大小（ksize）。如果 ksize=-1，会使用 3x3 的 Scharr 滤波器，它的的效果要比 3x3 的 Sobel 滤波器好（而且速度相同，所以在使用 3x3 滤波器时应该尽量使用 Scharr 滤波器）。3x3 的 Scharr 滤波器卷积核如下：
5.6.2. Laplacian 算子¶
拉普拉斯算子可以使用二阶导数的形式定义，可假设其离散实现类似于二阶 Sobel 导数，事实上，OpenCV 在计算拉普拉斯算子时直接调用 Sobel 算子。计算公式如下：
拉普拉斯滤波器使用的卷积核：
代码
下面的代码分别使用以上三种滤波器对同一幅图进行操作。使用的卷积核都是 5x5 的。
>>> import cv2
>>> import numpy as np
>>> from matplotlib import pyplot as plt
>>>
>>> img = cv2.imread('bridnest.jpg',0)
>>>
>>> laplacian = cv2.Laplacian(img,cv2.CV_64F)
>>> sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
>>> sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)
>>>
>>> plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
>>> plt.title('Original'), plt.xticks([]), plt.yticks([])
>>> plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
>>> plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
>>> plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
>>> plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
>>> plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
>>> plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
>>>
>>> plt.show()
[ WARN:0@0.592] global ./modules/imgcodecs/src/loadsave.cpp (239) findDecoder imread_('bridnest.jpg'): can't open/read file: check file path/integrity
---------------------------------------------------------------------------
error Traceback (most recent call last)
Cell In [1], line 7
3 from matplotlib import pyplot as plt
5 img = cv2.imread('bridnest.jpg',0)
----> 7 laplacian = cv2.Laplacian(img,cv2.CV_64F)
8 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
9 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)
error: OpenCV(4.6.0) ./modules/imgproc/src/deriv.cpp:792: error: (-215:Assertion failed) !_src.empty() in function 'Laplacian'
一个重要的事!
在查看上面这个例子的注释时不知道你有没有注意到：当我们可以通过参数 -1 来设定输出图像的深度（数据类型）与原图像保持一致，但是我们在代码中使用的却是 cv2.CV_64F。这是为什么呢？想象一下一个从黑到白的边界的导数是整数，而一个从白到黑的边界点导数却是负数。如果原图像的深度是np.int8 时，所有的负值都会被截断变成 0，换句话说就是把把边界丢失掉。所以如果这两种边界你都想检测到，最好的的办法就是将输出的数据类型设置的更高，比如 cv2.CV_16S，cv2.CV_64F 等。取绝对值然后再把它转回到 cv2.CV_8U。下面的示例演示了输出图片的深度不同造成的不同效果。
>>> import cv2
>>> import numpy as np
>>> from matplotlib import pyplot as plt
>>>
>>> img = cv2.imread('img.PNG',0)
>>>
>>> # Output dtype = cv2.CV_8U
>>> sobelx8u = cv2.Sobel(img,cv2.CV_8U,1,0,ksize=5)
>>>
>>> # Output dtype = cv2.CV_64F. Then take its absolute and convert to cv2.CV_8U
>>> sobelx64f = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
>>> abs_sobel64f = np.absolute(sobelx64f)
>>> sobel_8u = np.uint8(abs_sobel64f)
>>>
>>> plt.subplot(1,3,1),plt.imshow(img,cmap = 'gray')
>>> plt.title('Original'), plt.xticks([]), plt.yticks([])
>>> plt.subplot(1,3,2),plt.imshow(sobelx8u,cmap = 'gray')
>>> plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
>>> plt.subplot(1,3,3),plt.imshow(sobel_8u,cmap = 'gray')
>>> plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])
>>>
>>> plt.show()
分类:
OpenCV-Python <https://www.cnblogs.com/Undo-self-blog/category/1160700.html>_