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
$$kernel=\left[\begin{array}{ccc}0& 1& 0\\ 1& -4& 1\\ 0& 1& 0\end{array}\right]$$

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.