影像梯度
梯度：
對于影像，我們選定一定范圍（可能是點邊界，線邊界，閉合邊界），對于邊界到邊界影像像素點像素值的變化我們稱之為梯度，
Sobel算子
概念：
Sobel算子主要用于獲得數字影像的一階梯度，常見的應用和物理意義是邊緣檢測，Sobel算子是把影像中每個像素的上下左右四領域的灰度值加權差，在邊緣處達到極值從而檢測邊緣，
Sobel算子不但產生較好的檢測效果，而且對噪聲具有平滑抑制作用，但是得到的邊緣較粗，且可能出現偽邊緣，
核心公式
該算子包含兩組3x3的矩陣，分別為橫向及縱向，將之與影像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值，如果以A代表原始影像，
G
x
G_x
Gx?及
G
y
G_y
Gy?分別代表經橫向及縱向邊緣檢測的影像，其公式如下:
前者
G
x
G_x
Gx?用于計算水平梯度，而后者
G
y
G_y
Gy?則用于計算垂直梯度，
注意：這里并不是矩陣的乘法，而是卷積即對應位置相乘運算，
影像的每一個像素的橫向及縱向梯度近似值可用以下的公式結合，來計算梯度的大小，
然后可用以下公式計算梯度方向，
下面介紹Sobel算子的語法：
dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
引數：src就是計算的影像，ddepth為影像的深度，dx，dy表示是水平方向還是豎直方向，ksize表示Sobel算子的大小即上述進行矩陣卷積運算的矩陣規格大小，
這里給大家展示以下影像經過梯度運算的效果：
原影像：
經過梯度運算
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
得到的影像：
這里我們可以看到dx我們取為1dy取0表示進行的是進行水平梯度運算，而我們發現運算過后的影像“邊緣”，好像僅有原圖的一半，那是因為通過Sobel算子的公式我們可以看到，對于水平梯度計算簡單的看做右邊減左邊，對于原圖的左邊緣，邊緣左邊為黑即像素值為0，右邊為白即像素值為255，進行運算得到邊緣的像素值為正，而對于右邊邊緣，右邊邊緣的左邊為255右邊為0，進行運算得到的像素值為負，而在Opencv中會默認做一個截斷，即凡小于0的像素值均取0，所以右半邊邊緣經過梯度計算后全部為0即為黑色不做顯示，
我們可以通過Opencv中取絕對值的方法來得到完整邊緣，下面展示豎直方向取過絕對值之后的計算結果
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)#豎直方向梯度計算
sobely = cv2.convertScaleAbs(sobely) #取絕對值
這里是不建議dx與dy即水平與垂直同時進行計算，因為這兩種計算的計算結果都會影響彼此，從而使進行梯度運算變得模糊，在直觀上好像是水平梯度與豎直梯度“融合的不太好”，
sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy)
如果有需要我們可以直接通過Opencv自帶的加權加法進行合并兩圖，
Scharr算子和laplacian算子
Scharr算子
Scharr算子整體思路與Sobel算子沒有區別，但是在計算上Scharr算子公式中數值更大，更加注重規定方向的影響，榷訓了邊緣（矩陣邊緣不是影像邊緣）的影響，
Scharr算子的計算公式
laplacian算子
laplacian算子具體思想與推導比較復雜就不給大家做演示了，它與前面提到的算子主要區別是前面算子都停留在一階導的層面，而laplacian算子中提到了二階導，所以laplacian算子相比于前面的算子會對“變化”會更加敏感，展現出來“變化”較大的地方會更加明顯，但是因為對變化過于敏感，所以對于噪音點laplacian算子處理就不是很好，所以laplacian算子通常不會單獨使用，
由公式也可以看出laplacian算子更注重于變化而不是強調方位，
laplacian算子的計算公式
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/402581.html
標籤：其他