1.影像的梯度——定義（百度百科）
根據影像梯度可以把影像看成二維離散函式f(x,y)，影像梯度其實就是這個二維離散函式的求導(即f(x,y)的求導得G(x,y))： 影像梯度: G(x,y) = dx(i,j) + dy(i,j); dx(i,j) = I(i+1,j) - I(i,j); dy(i,j) = I(i,j+1) - I(i,j); 其中，I是影像像素的值(如：RGB值)，(i,j)為像素的坐標， 影像梯度一般也可以用中值差分： dx(i,j) = [I(i+1,j) - I(i-1,j)]/2; dy(i,j) = [I(i,j+1) - I(i,j-1)]/2;梯度的方向是影像函式f(x,y)變化最快的方向，當影像中存在邊緣時，一定有較大的梯度值，相反，當影像中有比較平滑的部分時，灰度值變化較小，則相應的梯度也較小，影像處理中把梯度的模簡稱為梯度，由影像梯度構成的影像成為梯度影像，
2.影像梯度作用
a.通過影像的梯度提取邊緣資訊，可用于邊緣檢測；
b.通過影像的梯度計算灰度變化情況，增強影像質量，
3.python3實作影像梯度提取
class Image_Gradent():
def __init__(self,image_name):
self.img = image_name;
#Sobel算子
def sobel_demo(self):
grad_x = cv.Sobel(self.img, cv.CV_32F, 1, 0) #對x求一階導
grad_y = cv.Sobel(self.img, cv.CV_32F, 0, 1) #對y求一階導
gradx = cv.convertScaleAbs(grad_x) #用convertScaleAbs()函式將其轉回原來的uint8形式
grady = cv.convertScaleAbs(grad_y)
cv.imshow("gradient_x", gradx) #x方向上的梯度
cv.imshow("gradient_y", grady) #y方向上的梯度
gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0) #圖片融合
cv.imshow("gradient", gradxy)
#Scharr算子
def Scharr_demo(self):
grad_x = cv.Scharr(self.img, cv.CV_32F, 1, 0) #對x求一階導
grad_y = cv.Scharr(self.img, cv.CV_32F, 0, 1) #對y求一階導
gradx = cv.convertScaleAbs(grad_x) #用convertScaleAbs()函式將其轉回原來的uint8形式
grady = cv.convertScaleAbs(grad_y)
cv.imshow("gradient_x", gradx) #x方向上的梯度
cv.imshow("gradient_y", grady) #y方向上的梯度
gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)
cv.imshow("gradient", gradxy)
def Laplace_demo(self):
dst = cv.Laplacian(self.img, cv.CV_32F)
lpls = cv.convertScaleAbs(dst)
cv.imshow("Laplace_demo", lpls)
if __name__ == "__main__":
img = cv.imread('./d.jpg')
cv.namedWindow('input_image', cv.WINDOW_NORMAL) #設定為WINDOW_NORMAL可以任意縮放
cv.imshow('input_image', img)
Solution = Image_Gradent(img)
Solution.sobel_demo()
cv.waitKey(0)
cv.destroyAllWindows()
代碼來自這位大哥——https://www.cnblogs.com/qianxia/p/11096993.html
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/181234.html
標籤：Python