图像梯度

推文：【OpenCV入门教程之十二】OpenCV边缘检测：Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑

图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导。

Sobel算子是普通一阶差分，是基于寻找梯度强度。
拉普拉斯算子（二阶差分）是基于过零点检测。通过计算梯度，设置阀值，得到边缘图像。

一：sobel算子

def sobel_demo(image):grad_x = cv.Sobel(image,cv.CV_32F,1,0) #获取x轴方向的梯度,对x求一阶导，一般图像都是256，CV_8U但是由于需要进行计算，为了避免溢出，所以我们选择CV_32Fgrad_y = cv.Sobel(image, cv.CV_32F, 0,1)  # 获取y轴方向的梯度，对y求一阶导gradx = cv.convertScaleAbs(grad_x)  #用convertScaleAbs()函数将其转回原来的uint8形式,转绝对值　　（转为单通道，0-255）grady = cv.convertScaleAbs(grad_y)cv.imshow("gradient-x",gradx)cv.imshow("gradient-y",grady)gradxy = cv.addWeighted(gradx,0.5,grady,0.5,0)  #图片融合cv.imshow("gradient",gradxy)

补充：在sobel算子的基础上还有一种Scharr算子，可以获取更强的边缘检测（噪声比较敏感，需要降噪）

grad_x = cv.Scharr(image,cv.CV_32F,1,0) #获取x轴方向的梯度,对x求一阶导，一般图像都是256，CV_8U但是由于需要进行计算，为了避免溢出，所以我们选择CV_32F
grad_y = cv.Scharr(image, cv.CV_32F, 0,1)  # 获取y轴方向的梯度，对y求一阶导

相关知识补充：

（一）Sobel算子

Sobel算子用来计算图像灰度函数的近似梯度。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。

Sobel具有平滑和微分的功效。即：Sobel算子先将图像横向或纵向平滑，然后再纵向或横向差分，得到的结果是平滑后的差分结果。

def Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None): # real signature unknown;

src参数表示输入需要处理的图像。

ddepth参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。

具体组合如下：
　　src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F （一般源图像都为CV_8U，为了避免溢出，一般ddepth参数选择CV_32F）
　　src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F
　　src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F
　　src.depth() = CV_64F, 取ddepth = -1/CV_64F
　　注：ddepth =-1时，代表输出图像与输入图像相同的深度。

dx参数表示x方向上的差分阶数，1或0 。

dy参数表示y 方向上的差分阶数，1或0 。

dst参数表示输出与src相同大小和相同通道数的图像。

ksize参数表示Sobel算子的大小，必须为1、3、5、7。

scale参数表示缩放导数的比例常数，默认情况下没有伸缩系数。

delta参数表示一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中。

borderType表示判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。

（二）convertScaleAbs

def convertScaleAbs(src, dst=None, alpha=None, beta=None): # real signature unknown;

OpenCV的convertScaleAbs函数使用线性变换转换输入数组元素成8位无符号整型。
函数原型：convertScaleAbs(src[, dst[, alpha[, beta]]]) -> dst

src参数表示原数组。
dst参数表示输出数组 (深度为 8u)。
alpha参数表示比例因子。
beta参数表示原数组元素按比例缩放后添加的值。

（三）addWeighted

def addWeighted(src1, alpha, src2, beta, gamma, dst=None, dtype=None): # real signature unknown;

OpenCV的addWeighted函数是计算两个数组的加权和。
函数原型：addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) -> dst

src1参数表示需要加权的第一个输入数组。

alpha参数表示第一个数组的权重。

src2参数表示第二个输入数组，它和第一个数组拥有相同的尺寸和通道数。

beta参数表示第二个数组的权重。

gamma参数表示一个加到权重总和上的标量值。

dst参数表示输出的数组，它和输入的两个数组拥有相同的尺寸和通道数。

dtype参数表示输出数组的可选深度。当两个输入数组具有相同的深度时，这个参数设置为-1（默认值），即等同于src1.depth（）。

二：拉普拉斯算子

def lapalian_demo(image):dst = cv.Laplacian(image, cv.CV_32F)lpls = cv.convertScaleAbs(dst)cv.imshow("lapalian_demo", lpls)

补充：自己修改拉普拉斯算子

def lapalian_demo(image):kernel = np.array([[0,1,0],[1,-4,1],[0,1,0]])　　#卷积核dst = cv.filter2D(image,cv.CV_32F,kernel)　　#使用4卷积核算子去处理（是Laplacian默认）lpls = cv.convertScaleAbs(dst)cv.imshow("lapalian_demo", lpls)

kernel = np.array([[1,1,1],[1,-8,1],[1,1,1]])　　#使用8卷积核处理，增强了

相关知识补充

（一）Laplacian方法

def Laplacian(src, ddepth, dst=None, ksize=None, scale=None, delta=None, borderType=None): # real signature unknown;