OpenCV 中的图像处理 006_图像渐变

本文主要内容来自于 OpenCV-Python 教程的 OpenCV 中的图像处理部分，这部分的全部主要内容如下：

改变色彩空间

学习在不同色彩空间之间改变图像。另外学习跟踪视频中的彩色对象。
图像的几何变换

学习对图像应用不同的几何变换，比如旋转、平移等。
图像阈值

学习使用全局阈值、自适应阈值、Otsu 的二值化等将图像转换为二值图像。
平滑图像

学习模糊图像，使用自定义内核过滤图像等。
形态变换

了解形态学变换，如侵蚀、膨胀、开放、闭合等。
图像渐变

学习寻找图像渐变、边缘等。
Canny 边缘检测

学习通过 Canny 边缘检测寻找边缘。
图像金字塔

学习关于图像金字塔的内容，以及如何使用它们进行图像混合。
OpenCV 中的轮廓

所有关于 OpenCV 中的轮廓的内容。
OpenCV 中的直方图

所有关于 OpenCV 中的直方图的内容。
OpenCV 中的图像变换

在 OpenCV 中遇到不同的图像变换，如傅里叶变换、余弦变换等。
模板匹配

学习使用模板匹配在图像中搜索对象。
霍夫线变换

学习在一幅图像中探测线。
霍夫圆变换

学习在一幅图像中探测圆。
使用分水岭算法的图像分割

学习使用分水岭分割算法分割图像。
使用 GrabCut 算法的交互式前景提取

学习使用 GrabCut 算法提取前景

目标

在本章中，我们将学习：

寻找图像的渐变，边缘等。
我们将看下如下的函数： cv.Sobel()，cv.Scharr()，cv.Laplacian() 等等。

理论

OpenCV 提供了三种类型的渐变滤波器或高通滤波器，Sobel、Scharr 和 Laplacian。我们将看下它们中的每一个。

1. Sobel 和 Scharr 导数

Sobel 算子是联合高斯平滑加微分运算，所以抗噪声能力更强。我们可以指定要采用的导数方向，垂直或水平（分别通过参数 yorder 和 xorder）。你也可以通过参数 ksize 指定内核的大小。如果 ksize = -1，则将使用一个 3x3 Scharr 滤波器，相对于 3x3 Sobel 滤波器它能给出更好的结果。请参考所使用的内核的文档。

2. Laplacian 导数

它计算由关系 $\Delta src = \frac{\partial ^2{src}}{\partial x^2} + \frac{\partial ^2{src}}{\partial y^2}$ 给出的图像的拉普拉斯算子，其中每个导数都是使用 Sobel 导数找到的。如果 ksize = 1，则将使用如下的内核用于滤波
$\begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{bmatrix}$

代码

下面的代码在一幅图中展示了所有这些操作。所有的内核都是 5x5 大小的。输出图像的深度传入 -1，以获得 np.uint8 类型的结果。

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

def image_gradients():
    cv.samples.addSamplesDataSearchPath("/media/data/my_multimedia/opencv-4.x/samples/data")
    img = cv.imread(cv.samples.findFile('sudoku.png'), 0)
    print(img.shape)
    img = cv.resize(img, (359, 361))
    laplacian = cv.Laplacian(img, cv.CV_64F)
    sobelx = cv.Sobel(img, cv.CV_64F, 1, 0, ksize=5)
    sobely = cv.Sobel(img, cv.CV_64F, 0, 1, ksize=5)

    cv.imshow("Original", img)
    cv.imshow("Laplacian", laplacian)
    cv.imshow("Sobel X", sobelx)
    cv.imshow("Sobel Y", sobely)

    cv.waitKey(-1)
    cv.destroyAllWindows()


if __name__ == "__main__":
    image_gradients()

结果如下：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qZrKoTJl-1651362541111)(https://upload-images.jianshu.io/upload_images/1315506-5e604eab748f2c88.png)]

一个重要的问题

在我们的上一个例子中，输出数据类型是 cv.CV_8U 或 np.uint8。但这有一个小问题。黑色到白色的过渡被视为正斜率（它具有正值），而白色到黑色的过渡被视为负斜率（它具有负值）。因此当你将数据转为 np.uint8 时，所有的负斜率都被设置为了 0。简单来说，就是丢失了边缘。

如果我们想要探测两个边缘，更好的选项是保持输出数据类型为一些更高的形式，比如 cv.CV_16S，cv.CV_64F 等等，取它的绝对值，然后将它转回 cv.CV_8U。下面的代码演示了水平 Sobel 滤波器的此过程和结果差异。

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

def image_gradients2():
    img = np.zeros((600, 600))
    cv.rectangle(img, (150, 100), (450, 500), (255), -1)

    # Output dtype = cv.CV_8U
    sobelx8u = cv.Sobel(img, cv.CV_8U, 1, 0, ksize=5)

    # Output dtype = cv.CV_64F. Then take its absolute and convert to cv.CV_8U
    sobelx64f = cv.Sobel(img, cv.CV_64F, 1, 0, ksize=5)
    abs_sobel64f = np.absolute(sobelx64f)
    sobel_8u = np.uint8(abs_sobel64f)

    plt.subplot(1, 3, 1), plt.imshow(img, cmap='gray')
    plt.title('Original'), plt.xticks([]), plt.yticks([])
    plt.subplot(1, 3, 2), plt.imshow(sobelx8u, cmap='gray')
    plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
    plt.subplot(1, 3, 3), plt.imshow(sobel_8u, cmap='gray')
    plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])

    plt.show()


if __name__ == "__main__":
    image_gradients2()

检查结果如下：

其它资源

练习

参考文档

Image Gradients

Done.