图像处理——提取梯度

1.图像的梯度——定义（百度百科）

根据图像梯度可以把图像看成二维离散函数f(x,y)，图像梯度其实就是这个二维离散函数的求导(即f(x,y)的求导得G(x,y))：

图像梯度: 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是图像像素的值(如：RGB值)，(i,j)为像素的坐标。

图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;

梯度的方向是图像函数f(x,y)变化最快的方向，当图像中存在边缘时，一定有较大的梯度值，相反，当图像中有比较平滑的部分时，灰度值变化较小，则相应的梯度也较小，图像处理中把梯度的模简称为梯度，由图像梯度构成的图像成为梯度图像。

2.图像梯度作用

a.通过图像的梯度提取边缘信息，可用于边缘检测；

b.通过图像的梯度计算灰度变化情况，增强图像质量。 

3.python3实现图像梯度提取

 

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)   #对x求一阶导
        grad_y = cv.Sobel(self.img, cv.CV_32F, 0, 1)   #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
        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) #图片融合
        cv.imshow("gradient", gradxy)
        
    #Scharr算子
    def Scharr_demo(self):
        grad_x = cv.Scharr(self.img, cv.CV_32F, 1, 0)   #对x求一阶导
        grad_y = cv.Scharr(self.img, cv.CV_32F, 0, 1)   #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
        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) #设置为WINDOW_NORMAL可以任意缩放
    cv.imshow('input_image', img)
    Solution = Image_Gradent(img)
    Solution.sobel_demo()
    cv.waitKey(0)
    cv.destroyAllWindows()

 

　代码来自这位大哥——https://www.cnblogs.com/qianxia/p/11096993.html

 

来源：https://www.cnblogs.com/E-Dreamer-Blogs/p/10633548.html