OpenCV实践第一期:图像梯度
Python3
最后更新 2020-04-15 17:26 阅读 8374
最后更新 2020-04-15 17:26
阅读 8374
Python3
图像梯度:图像梯度可以把图像看成二维离散函数,图像梯度简单来说就是求导,在图像上表现出来的就是提取图像的边缘(横向、纵向等等)。
1.1 数学推导
首先,我们来看一下传统微积分里面的求导公式(对x的一阶微分):
然而,图像是二维函数f(x,y),这时候的微分就是偏微分了:
对 x方向的偏微分:
对y方向的偏微分:
现在考虑一个问题,ϵ这个值如何选取呢?上高数的时候,我们都是连续函数,因此这个值可以取得很小,ϵ可以理解为x的最小前进步伐,但是图像是一个离散的二维函数,ϵ不能取得很小,图像中像素来离散的,而像素之间最小的距离是1,ϵ取为1,所以,上面的公式变为:
由此,我们得到了图像在x方向和y方向的梯度公式了,值得注意的是,如果我们仔细观察公式就可发现,所谓x方向和y方向的梯度公式不就是相邻连个像素值之间的差值吗?是的,你没看错,当然,我们很多时候都会将两个方向的梯度进行合成:
由于上面的合成方式在数学计算上有点麻烦,因为直接采用绝对值计算:
我们总结一句话:图像梯度的本质:当前方向上相邻像素的差值。
1.2 原始图片:
1.3 代码实践
#coding:utf-8 import cv2 import numpy as np # Scharr算子实现梯度计算 def Scharr_demo(image): # x 方向梯度 image_grad_x = cv2.Scharr(image, cv2.CV_32F, 1, 0) # y 方向梯度 image_grad_y = cv2.Scharr(image, cv2.CV_32F, 0, 1) # 分别求绝对值并转化为8位的图像上,这样做方便显示 image_gradx = cv2.convertScaleAbs(image_grad_x) image_grady = cv2.convertScaleAbs(image_grad_y) # 显示两个方向图像 cv2.imshow("image_gradient-x", image_gradx) cv2.imshow("image_gradient-y", image_grady) #两个方向梯度的叠加,权重各自一半 image_gradxy = cv2.addWeighted(image_gradx, 0.5, image_grady, 0.5, 0) cv2.imshow("image_gradient", image_gradxy) if __name__ == '__main__': image =cv2.imread("图像路径") cv2.imshow("src_image", image) Scharr_demo(image) cv2.waitKey(0) cv2.destroyAllWindows()
代码解读:以上代码就是用了Scharr算子实现了图像的梯度计算,因此只需要重点关注cv2.Scharr()这个函数即可,一共三个参数,第一个是需要计算梯度的图像,第二个是图像的数据格式,第三个参数为1,0或者0,1,分别对应x方向与y方向,一般情况下,单独梯度计算出来后都会进行叠加以增强效果,因此叠加函数就排上了用场,由于各自取一半的可信度,因此,权重都为0.5。
1.4 效果展示
x 方向梯度图像:
y 方向梯度图像:
x,y梯度叠加图像:
(可以看到,图像的边缘已经被检测出来了!后期我们可能继续深入讲解..)