【OpenCv 4 Python 3.7】图像梯度，图像边界

学习图像梯度，图像边界等
　　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Lapacian。Sobel，Scharr其实就是求一阶或二阶导。Scharr是对Sobel的部分优化。Laplacian是求二阶导。

1.Sobel算子和Scharr算子

Sobel算子是高斯平滑和微分操作的结合体，所以他的抗噪声能力很好。你可以设定求导的方向（xorder 或 yorder）。还可以设定使用的卷积核大小（ksize）。当ksize=-1时，会使用33 的Scharr滤波器，他的效果要比33的Sobel滤波器好，而且速度相同，所以在使用33滤波器时应该尽量使用Scharr滤波器（一般就用Sobel算子即可）。33 的 Scharr滤波器卷积核如下所示：

2.Laplacian算子

拉普拉斯算子可以使用二阶导数的形式定义，可假设其离散实现类似于二阶Sobel导数。事实上，OpenCV在计算拉普拉斯算子时直接调用Sobel算子，具体计算公式如下：

拉普拉斯滤波器使用的卷积核：　

代码实现：

import cv2 as cv
import numpy as np

#拉普拉斯算子
def lapalian_demo(image):
    #Laplacian 算子
    #dst = cv.Laplacian(image, cv.CV_32F)
    #lpls = cv.convertScaleAbs(dst)
    #定义卷积和：八邻域为增强型（可用四邻域[[0, 1, 0], [1, -4, 1], [0, 1, 0]]）
    kernel = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]])
    dst = cv.filter2D(image, cv.CV_32F, kernel=kernel)
    # 把里面的负数转为正数，变成三通道的0-255的图像
    lpls = cv.convertScaleAbs(dst)
    cv.imshow("lapalian_demo", lpls)

#sobel算子
def sobel_demo(image):
    #cv.CV_32F：深度  在x方向求一阶导数
    #grad_x = cv.sobel(image, cv.CV_32F, 1, 0)
    #grad_y = cv.sobel(image, cv.CV_32F, 0, 1)
    #Scharr是sobel的增强算子
    grad_x = cv.Scharr(image, cv.CV_32F, 1, 0)
    grad_y = cv.Scharr(image, cv.CV_32F, 0, 1)
    #把里面的负数转为正数，变成三通道的0-255的图像，x方向梯度
    gradx = cv.convertScaleAbs(grad_x)
    # y方向梯度
    grady = cv.convertScaleAbs(grad_y)
    cv.imshow("gradient-x", gradx)
    cv.imshow("gradient-y", grady)

    gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)
    cv.imshow("gradient", gradxy)



print("--------- Python OpenCV Tutorial ---------")
src = cv.imread("D:/vcprojects/images/test.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
lapalian_demo(src)
cv.waitKey(0)

cv.destroyAllWindows()

拉普拉斯结果：

sobel结果：