网站布局图片网盘搜索
目标
• 图像梯度，图像边界等
• 使用到的函数有：cv2.Sobel()，cv2.Schar()，cv2.Laplacian() 等
原理
梯度简单来说就是求导。
OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器：Sobel，Scharr 和 Laplacian。我们会意义介绍他们。
Sobel，Scharr 其实就是求一阶或二阶导数。Scharr 是对 Sobel（使用小的卷积核求解求解梯度角度时）的优化。Laplacian 是求二阶导数。
1.Sobel 算子和 Scharr 算子
Sobel 算子是高斯平滑与微分操作的结合体，所以它的抗噪声能力很好。 你可以设定求导的方向（xorder 或
yorder）。还可以设定使用的卷积核的大 小（ksize）。
import cv2
import numpy as np
# 读取灰度图像
img = cv2.imread(r"C:\Users\mzd\Desktop\opencv\images.jpg", cv2.IMREAD_GRAYSCALE)
# 计算水平方向的Sobel梯度
sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
# 计算垂直方向的Sobel梯度
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
# 显示原始图像和Sobel梯度图像
cv2.imshow('Original Image', img)
cv2.imshow('Sobel X', sobelx)
cv2.imshow('Sobel Y', sobely)
# 等待用户按下任意键
cv2.waitKey(0)
cv2.destroyAllWindows()
图像梯度是图像中灰度变化的一种度量，通常用于检测图像中的边缘或者区域的变化。在图像处理中，常用的梯度计算方法包括Sobel、Scharr、Laplacian等。
Sobel算子：
Sobel算子是一种常用的梯度计算方法，分为水平和垂直两个方向。在OpenCV中，cv2.Sobel() 函数用于计算图像的Sobel梯度。
基本语法如下：
sobelx = cv2.Sobel(src, ddepth, dx, dy, ksize[, dst[, scale[, delta[, borderType]]]])
src: 输入图像。ddepth: 输出图像的深度，通常使用-1表示与输入图像相同。dx和dy: 分别表示水平和垂直方向的梯度阶数。ksize: Sobel核的大小，通常为1、3、5等奇数。dst（可选）: 输出图像。scale（可选）: 缩放因子，通常为1。delta（可选）: 一个可选的增量，将被加到输出。borderType（可选）: 边界处理的方式，通常为默认值cv2.BORDER_DEFAULT。
- Laplacian算子：
Laplacian算子用于计算图像的二阶导数，从而得到图像的梯度。在OpenCV中，cv2.Laplacian() 函数用于计算Laplacian梯度。
基本语法如下：
laplacian = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])
参数说明与Sobel类似，其中 ksize 表示Laplacian核的大小。
import cv2
import numpy as np
# 读取灰度图像
img = cv2.imread(r"C:\Users\mzd\Desktop\opencv\images.jpg", cv2.IMREAD_GRAYSCALE)
# 计算Laplacian梯度
laplacian = cv2.Laplacian(img, cv2.CV_64F)# 显示原始图像和Laplacian梯度图像
cv2.imshow('Original Image', img)
cv2.imshow('Laplacian', laplacian)# 等待用户按下任意键
cv2.waitKey(0)
cv2.destroyAllWindows()
这些梯度计算方法可以帮助检测图像中的边缘和区域变化，对于后续的图像分析和处理非常有用。