OpenCV 图像梯度 Sobel、Scharr、Laplacian

最新推荐文章于 2024-09-10 22:45:16 发布

_yuki_

最新推荐文章于 2024-09-10 22:45:16 发布

阅读量662

点赞数 1

CC 4.0 BY-SA版权

分类专栏： OpenCV

本文链接：https://blog.csdn.net/qq_19707521/article/details/119792908

OpenCV 专栏收录该内容

20 篇文章

订阅专栏

本文详细介绍了OpenCV中用于图像梯度检测的Sobel、Scharr和Laplacian算子，解释了它们的原理和使用方法。通过示例代码展示了如何使用OpenCV实现这些算子，并讨论了不同图像深度对结果的影响。最后，给出了实际应用中处理图像边缘检测和梯度计算的注意事项。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

概念：

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（不管是横向的、纵向的、斜方向的等等），所需要的无非也是一个核模板，模板的不同结果也不同。所以可以看到，所有的这些个算子函数，归结到底都可以用函数cv2.filter2D()来表示，不同的方法给予不同的核模板，然后演化为不同的算子而已。

OpenCV提供了三种梯度过滤器（高通过滤器）-Sobel、Scharr、Laplacian。

一、Sobel算子与Scharr算子

Sobel算子是高斯平滑与微分操作的结合体，所以其抗噪能力很强，用途较多。一般的sobel算子包括x与y两个方向，算子模板为：

在opencv函数中，还可以设置卷积核(ksize)的大小，如果ksize=-1,就演变为3*3的Scharr算子，模板无非变了个数字：

二、Laplacian（拉普拉斯）算子

其模板为：

三、Sobel算子函数

函数原型：

dst = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])

参数：

　　前四个是必须的参数：

　　1. src - 需要处理的图像

　　2. ddepth - 图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度

　　3. dx - 对x轴方向求导的阶数，一般为0、1、2，其中0表示这个方向上没有求导

　　4. dy - 对y轴方向求导的阶数，一般为0、1、2，其中0表示这个方向上没有求导

　　其后是可选的参数：

　　5. dst - 目标图像

　　6. ksize - Sobel算子的大小，必须为1、3、5、7

　　7. scale - 缩放导数的比例常数，默认情况下没有伸缩系数

　　8. delta - 可选增量，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

　　9. borderType - 图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT

四、简单实现

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

if __name__ == '__main__':

    img = cv.imread('1.png',0)
    # cv2.IMREAD_COLOR：默认参数，读入一副彩色图片，忽略alpha通道，可以直接写1
    # cv2.IMREAD_GRAYSCALE：读入灰度图片，可以直接写0
    # cv2.IMREAD_UNCHANGED：顾名思义，读入完整图片，包括alpha通道，可以直接写-1

    # laplacion 梯度
    laplacian_64f = cv.Laplacian(img,cv.CV_64F)
    # 在经过处理后，需要用convertScaleAbs()函数将其转回原来的uint8形式，否则将无法显示图像，而只是一副灰色的窗口
    laplacian_8u = cv.convertScaleAbs(laplacian_64f)
    # abs_laplacian_64f = np.absolute(laplacian_64f)
    # # 转换为cv.CV_8U
    # laplacian_8u = np.uint8(abs_laplacian_64f)


    # Sobel 梯度 x 方向
    sobelx_64f = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)
    sobelx_8u = cv.convertScaleAbs(sobelx_64f)
    # Sobel 梯度 y 方向
    sobely_64f = cv.Sobel(img,cv.CV_64F,0,1,ksize=5)
    sobely_8u = cv.convertScaleAbs(sobely_64f)

    plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
    plt.subplot(2,2,2),plt.imshow(laplacian_8u,cmap = 'gray')
    plt.subplot(2,2,3),plt.imshow(sobelx_8u,cmap = 'gray')
    plt.subplot(2,2,4),plt.imshow(sobely_8u,cmap = 'gray')
    plt.show()

输出结果：

五、小结

在上面的例子中（original图），(imshow)输出数据类型（图像深度）是cv2.CV_8U或者是np.uint8。

但是由于输出数据类型[python-灰度:0是黑、1是白]，当有正梯度的时候，会出现黑白变换，同样，当有负梯度的时候，会导致白黑变换。因此，当输出图像深度为np.uint8时，python 会让所有的负梯度自动变为0。简单的说就是丢失边缘。

如果想要获得所有的边缘，就需要提高图像深度，将输出图像数据类型变成更高格式，比如cv2.CV_16S或者cv2.CV_64F等，然后取绝对值，再转换为cv2.CV_8U。下面的代码将展示这个流程，对一副图片进行水平Sobel过滤，不同的图像深度会导致不同的结果。