Python+OpenCV：图像梯度

港控/mmm° 2022-12-21 04:47 216阅读 0赞

## Python+OpenCV：图像梯度(Image Gradients) ##

### 理论 ###

OpenCV提供了三种类型的梯度滤波器或高通滤波器，Sobel, Scharr和Laplacian。

**1. Sobel和Scharr导数**

Sobel算子是一种联合高斯平滑加微分运算，具有较强的抗噪声能力。

您可以指定要取的导数的方向，垂直的或水平的(分别通过参数yorder和xorder)。

你也可以通过参数ksize来指定内核的大小。

如果ksize = -1，则使用3x3的Scharr滤波器，其结果优于3x3的Sobel滤波器。

请查看文档中使用的内核。

**2. Laplacian导数**

它计算由关系给出的图像的拉普拉斯算子，![20201114193317883.png][]其中每个导数都使用Sobel导数找到。

如果ksize = 1，则使用下面的内核进行过滤：

![20201114193356103.png][]

### 示例 ###

####################################################################################################
    # 图像梯度(Image Gradients)
    def lmc_cv_image_gradients():
        """
            函数功能: 图像梯度(Image Gradients).
        """
    
        # 读取图像
        image = lmc_cv.imread('D:/99-Research/Python/Image/Sudoku.jpg')
        image = lmc_cv.cvtColor(image, lmc_cv.COLOR_BGR2GRAY)
    
        # 图像梯度(Image Gradients)
        laplacian_image = lmc_cv.Laplacian(image, lmc_cv.CV_64F, ksize=3, scale=1, delta=0,
                                           borderType=lmc_cv.BORDER_DEFAULT)
        sobelx_image = lmc_cv.Sobel(image, lmc_cv.CV_64F, 1, 0, ksize=5, scale=1, delta=0,
                                    borderType=lmc_cv.BORDER_DEFAULT)
        sobely_image = lmc_cv.Sobel(image, lmc_cv.CV_64F, 0, 1, ksize=5, scale=1, delta=0,
                                    borderType=lmc_cv.BORDER_DEFAULT)
    
        # 显示图像
        pyplot.figure('Image Display')
        titles = ['Original', 'Laplacian', 'Sobel X', 'Sobel Y']
        images = [image, laplacian_image, sobelx_image, sobely_image]
        for i in range(4):
            pyplot.subplot(2, 2, i + 1)
            pyplot.imshow(images[i], 'gray')
            pyplot.title(titles[i])
            pyplot.xticks([])
            pyplot.yticks([])
        pyplot.show()
    
        # 根据用户输入保存图像
        if ord("q") == (lmc_cv.waitKey(0) & 0xFF):
            # 销毁窗口
            pyplot.close()
        return

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70][]

### 强调 ###

在上一个例子中，输出数据类型是cv.CV\_8U或np.uint8。但这有一个小问题，黑到白的过渡被认为是正斜率(它有一个正值)，而白到黑的过渡被认为是负斜率(它有一个负值)。

所以当你把数据转换成np.uint8，所有负斜率均为零。简单地说，你错过了这条边。

如果您想检测这两个边，更好的选择是保持输出数据类型为一些更高的形式，如cv.CV\_16S, cv.CV\_64F等，取其绝对值，然后转换回cv.CV\_8U。

下面的代码演示了水平Sobel滤波器的这个过程和结果的不同。

####################################################################################################
    # 正负梯度(Positive-Negative slope)
    def lmc_cv_positive_negative_slope():
        """
            函数功能: 正负梯度(Positive-Negative slope).
        """
    
        # 读取图像
        image = lmc_cv.imread('D:/99-Research/Python/Image/Box.png')
        image = lmc_cv.cvtColor(image, lmc_cv.COLOR_BGR2GRAY)
    
        # 正负梯度(Positive-Negative slope)
        # Output dtype = cv.CV_8U
        sobelx8u_image1 = lmc_cv.Sobel(image, lmc_cv.CV_8U, 1, 0, ksize=5, scale=1, delta=0,
                                       borderType=lmc_cv.BORDER_DEFAULT)
        # Output dtype = cv.CV_64F. Then take its absolute and convert to cv.CV_8U
        sobelx64f_image = lmc_cv.Sobel(image, lmc_cv.CV_64F, 1, 0, ksize=5, scale=1, delta=0,
                                       borderType=lmc_cv.BORDER_DEFAULT)
        abs_sobel64f_image = np.absolute(sobelx64f_image)
        sobelx8u_image2 = np.uint8(abs_sobel64f_image)
    
        # 显示图像
        pyplot.figure('Image Display')
        titles = ['Original', 'Sobel CV_8U', 'Sobel abs(CV_64F)']
        images = [image, sobelx8u_image1, sobelx8u_image2]
        for i in range(3):
            pyplot.subplot(1, 3, i + 1)
            pyplot.imshow(images[i], 'gray')
            pyplot.title(titles[i])
            pyplot.xticks([])
            pyplot.yticks([])
        pyplot.show()
    
        # 根据用户输入保存图像
        if ord("q") == (lmc_cv.waitKey(0) & 0xFF):
            # 销毁窗口
            pyplot.close()
        return

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70 1][]

[20201114193317883.png]: /images/20221120/b4a81d4638d649b6a24bfd1852a8a48e.png
[20201114193356103.png]: /images/20221120/db76aba37c114c4cabffbef9caf569a6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70]: /images/20221120/80203599229d4185b1c7b913503df529.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20201114195824198.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5,size_16,color_FFFFFF,t_70