圖像處理——提取梯度

1.圖像的梯度——定義（百度百科）

根據圖像梯度可以把圖像看成二維離散函數f(x,y)，圖像梯度其實就是這個二維離散函數的求導(即f(x,y)的求導得G(x,y))：

圖像梯度: G(x,y) = dx(i,j) + dy(i,j);

dx(i,j) = I(i+1,j) - I(i,j);

dy(i,j) = I(i,j+1) - I(i,j);

其中，I是圖像像素的值(如：RGB值)，(i,j)為像素的坐標。

圖像梯度一般也可以用中值差分：

dx(i,j) = [I(i+1,j) - I(i-1,j)]/2;

dy(i,j) = [I(i,j+1) - I(i,j-1)]/2;

梯度的方向是圖像函數f(x,y)變化最快的方向，當圖像中存在邊緣時，一定有較大的梯度值，相反，當圖像中有比較平滑的部分時，灰度值變化較小，則相應的梯度也較小，圖像處理中把梯度的模簡稱為梯度，由圖像梯度構成的圖像成為梯度圖像。

2.圖像梯度作用

a.通過圖像的梯度提取邊緣信息，可用於邊緣檢測；

b.通過圖像的梯度計算灰度變化情況，增強圖像質量。 

3.python3實現圖像梯度提取

 

class Image_Gradent():
    def __init__(self,image_name):
        self.img = image_name; 
    #Sobel算子
    def sobel_demo(self):
        grad_x = cv.Sobel(self.img, cv.CV_32F, 1, 0)   #對x求一階導
        grad_y = cv.Sobel(self.img, cv.CV_32F, 0, 1)   #對y求一階導
        gradx = cv.convertScaleAbs(grad_x)  #用convertScaleAbs()函數將其轉回原來的uint8形式
        grady = cv.convertScaleAbs(grad_y)
        cv.imshow("gradient_x", gradx)  #x方向上的梯度
        cv.imshow("gradient_y", grady)  #y方向上的梯度
        gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0) #圖片融合
        cv.imshow("gradient", gradxy)
        
    #Scharr算子
    def Scharr_demo(self):
        grad_x = cv.Scharr(self.img, cv.CV_32F, 1, 0)   #對x求一階導
        grad_y = cv.Scharr(self.img, cv.CV_32F, 0, 1)   #對y求一階導
        gradx = cv.convertScaleAbs(grad_x)  #用convertScaleAbs()函數將其轉回原來的uint8形式
        grady = cv.convertScaleAbs(grad_y)
        cv.imshow("gradient_x", gradx)  #x方向上的梯度
        cv.imshow("gradient_y", grady)  #y方向上的梯度
        gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)
        cv.imshow("gradient", gradxy)
    def Laplace_demo(self):
        dst = cv.Laplacian(self.img, cv.CV_32F)
        lpls = cv.convertScaleAbs(dst)
        cv.imshow("Laplace_demo", lpls)

if __name__ == "__main__":
    img = cv.imread('./d.jpg')
    cv.namedWindow('input_image', cv.WINDOW_NORMAL) #設置為WINDOW_NORMAL可以任意縮放
    cv.imshow('input_image', img)
    Solution = Image_Gradent(img)
    Solution.sobel_demo()
    cv.waitKey(0)
    cv.destroyAllWindows()

 

　代碼來自這位大哥——https://www.cnblogs.com/qianxia/p/11096993.html