十四 图像梯度
一、图像梯度
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。
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
二、Sobel算子
1、介绍
Sobel算子是普通一阶差分,是基于寻找梯度强度。
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。
2、函数
(1)Sobel
def Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None): # real signature unknown; restored from __doc__
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。
(2)convertScalAbs
def convertScaleAbs(src, dst=None, alpha=None, beta=None): # real signature unknown; restored from __doc__
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。
(3)addWeighted
def addWeighted(src1, alpha, src2, beta, gamma, dst=None, dtype=None): # real signature unknown; restored from __doc__
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(乘以权重再相加)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()。
3、代码实现
1 import cv2 as cv 2 def sobel(image): 3 # 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 4 grad_x = cv.Sobel(image,cv.CV_32F,1,0) 5 # 获取x轴方向的梯度,对x求一阶导 6 grad_y = cv.Sobel(image,cv.CV_32F,0,1) 7 8 # 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) 9 gradx = cv.convertScaleAbs(grad_x) 10 grady = cv.convertScaleAbs(grad_y) 11 12 cv.imshow('gradient-x',gradx) 13 cv.imshow('gradient-y',grady) 14 15 # 图片融合 16 #gradx权重0.5,grady权重0.5,加权和之后,加gamma=0 17 gradxy = cv.addWeighted(gradx,0.5,grady,0.5,0) 18 cv.imshow('gradient',gradxy) 19 img = cv.imread('1.jpg') 20 cv.imshow('input',img) 21 sobel(img) 22 cv.waitKey(0) 23 cv.destroyAllWindows()
4、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)
1 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 2 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
三、拉普拉斯算子
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。
1、函数
(1)Laplacian方法
def Laplacian(src, ddepth, dst=None, ksize=None, scale=None, delta=None, borderType=None): # real signature unknown; restored from __doc__
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。
dst参数表示输出与src相同大小和相同通道数的图像。
ksize参数表示用于计算二阶导数滤波器的孔径大小,大小必须是正数和奇数。
- 可以通过修改ksize大小来修改算子,ksize默认是1
- 3是8卷积核,可以向上加,边缘梯度检测越明显 (就是将-4变成-8就成了8卷积核)
scale参数表示计算拉普拉斯算子值的比例因子,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。
2、代码实现
1 def lpls(image): 2 dst = cv.Laplacian(image,cv.CV_32F) 3 la = cv.convertScaleAbs(dst) 4 cv.imshow('lapulasi',la) 5 img = cv.imread('1.jpg') 6 cv.imshow('input',img) 7 lpls(img) 8 cv.waitKey(0) 9 cv.destroyAllWindows()
补充:用自己的卷积核
1 def lapalian_demo(image): 2 kernel = np.array([[0,1,0],[1,-4,1],[0,1,0]]) #卷积核 3 dst = cv.filter2D(image,cv.CV_32F,kernel) #使用4卷积核算子去处理(是Laplacian默认) 4 lpls = cv.convertScaleAbs(dst) 5 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