opencv学习笔记（五）

Sobel算子：

Sobel算子是一种常用的图像梯度算子，用于检测图像中的边缘。它基于离散的差分运算，通过计算图像在水平和垂直方向上的梯度来确定边缘的强度和方向。

import cv2
import numpy as np

# 读取图像
image = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)

# 计算水平方向的梯度（Sobel算子）
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)

# 计算垂直方向的梯度（Sobel算子）
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)

# 计算梯度的幅值和方向
gradient_magnitude = np.sqrt(sobel_x**2 + sobel_y**2)
gradient_direction = np.arctan2(sobel_y, sobel_x)

# 显示原始图像和梯度图像
cv2.imshow('Original Image', image)
cv2.imshow('Sobel X', sobel_x)
cv2.imshow('Sobel Y', sobel_y)
cv2.imshow('Gradient Magnitude', gradient_magnitude.astype(np.uint8))
cv2.imshow('Gradient Direction', gradient_direction)
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.CV_64F表示输出的梯度图像的数据类型为64位浮点数，1和0表示计算水平和垂直方向上的梯度，ksize=3表示使用3x3的Sobel算子内核。

 dst=cv2.Sobel（src,ddepth,dx,dy[,ksize[,scale[,delta[,borderType]]]]）
        式中：dst代表目标图像；src代表原始图像；ddepth代表输出图像的深度；dx代表x方向上的求导阶数；dy代表y方向上的求导阶数；ksize代表Sobel核的大小。该值为-1时，则会使用Scharr算子进行运算；scale代表计算导数值时所采用的缩放因子，默认情况下该值是1，是没有缩放的；delta代表加在目标图像dst上的值，该值是可选的，默认为0；borderType代表边界样式。

在ddepth中：可以将内置参数设置为-1，以此与原图像保持一致，但是计算得到的结果可能是错误的（信息丢失）。所以为了避免信息丢失，在计算时要先使用更高的数据类型 cv2.CV_64F，再通过取绝对值将其映射为cv2.CV_8U（8位图）类型。所以，通常要将函数cv2.Sobel（）内参数ddepth的值设置为“cv2.CV_64F”

计算x方向边缘（梯度）:dx=1,dy=0；计算y方向边缘（梯度）:dx=0,dy=1；参数dx与参数dy的值均为1:dx=1,dy=1；计算x方向和y方向的边缘叠加：通过组合方式实现。

图像梯度——Scharr算子：

Scharr算子在边缘检测和图像处理中常用，特别是在需要更平滑和准确的梯度计算时。它相对于Sobel算子具有更好的性能和结果质量。

import cv2
import numpy as np

# 读取图像
image = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)

# 计算水平方向的梯度（Scharr算子）
scharr_x = cv2.Scharr(image, cv2.CV_64F, 1, 0)

# 计算垂直方向的梯度（Scharr算子）
scharr_y = cv2.Scharr(image, cv2.CV_64F, 0, 1)

# 计算梯度的幅值和方向
gradient_magnitude = np.sqrt(scharr_x**2 + scharr_y**2)
gradient_direction = np.arctan2(scharr_y, scharr_x)

# 显示原始图像和梯度图像
cv2.imshow('Original Image', image)
cv2.imshow('Scharr X', scharr_x)
cv2.imshow('Scharr Y', scharr_y)
cv2.imshow('Gradient Magnitude', gradient_magnitude.astype(np.uint8))
cv2.imshow('Gradient Direction', gradient_direction)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像梯度——lapplacian算子：

import cv2
import numpy as np

# 读取图像
image = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)

# 应用Laplacian算子
laplacian = cv2.Laplacian(image, cv2.CV_64F)

# 显示原始图像和边缘图像
cv2.imshow('Original Image', image)
cv2.imshow('Laplacian', laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()

Laplacian算子在图像增强和边缘检测中非常有用。它可以帮助我们捕捉图像中的纹理、边缘和细节等信息。通过调整阈值和处理技术，可以根据应用的需求提取出不同程度的边缘和纹理特征。

优缺点总结：

Sobel算子：

• 优点：计算速度较快；对噪声具有一定的平滑效果，有利于抑制噪声对梯度计算的干扰；可以同时计算水平和垂直方向的梯度；可以通过调整内核大小和权重来改变梯度计算的灵敏度。

• 缺点：在边缘方向不明确或边缘模糊的情况下，可能会产生边缘响应不明显的问题。

Scharr算子：

• 优点：相比于Sobel算子，具有更好的旋转不变性和平滑性；在边缘检测中通常能够提供更好的结果。

• 缺点：与Sobel算子相比，计算复杂度略高；在计算水平和垂直方向的梯度时，可能会引入轻微的方向偏差。

Laplacian算子：

• 优点：可以捕捉到图像中的二阶梯度信息，用于边缘检测和图像增强；对于纹理特征的提取效果较好。

• 缺点：对噪声敏感，容易受到噪声的干扰；在边缘检测中，可能会产生边缘断裂或多重响应的问题。