图像处理——提取梯度

1.图像的梯度——定义（百度百科）

根据图像梯度可以把图像看成⼆维离散函数f(x,y)，图像梯度其实就是这个⼆维离散函数的求导(即f(x,y)的求导得G(x,y))：

图像梯度: G(x,y) = dx(i,j) + dy(i,j);

dx(i,j) = I(i+1,j) - I(i,j);dy(i,j) = I(i,j+1) - I(i,j);

其中，I是图像像素的值(如：RGB值)，(i,j)为像素的坐标。图像梯度⼀般也可以⽤中值差分：

dx(i,j) = [I(i+1,j) - I(i-1,j)]/2;dy(i,j) = [I(i,j+1) - I(i,j-1)]/2;梯度的⽅向是图像函数f(x,y)变化最快的⽅向，当图像中存在边缘时，⼀定有较⼤的梯度值，相反，当图像中有⽐较平滑的部分时，灰度值变化较⼩，则相应的梯度也较⼩，图像处理中把梯度的模简称为梯度，由图像梯度构成的图像成为梯度图像。

2.图像梯度作⽤

a.通过图像的梯度提取边缘信息，可⽤于边缘检测；b.通过图像的梯度计算灰度变化情况，增强图像质量。

3.python3实现图像梯度提取

class Image_Gradent():

def __init__(self,image_name): self.img = image_name; #Sobel算⼦

def sobel_demo(self):

grad_x = cv.Sobel(self.img, cv.CV_32F, 1, 0) #对x求⼀阶导 grad_y = cv.Sobel(self.img, cv.CV_32F, 0, 1) #对y求⼀阶导

gradx = cv.convertScaleAbs(grad_x) #⽤convertScaleAbs()函数将其转回原来的uint8形式 grady = cv.convertScaleAbs(grad_y)

cv.imshow(\"gradient_x\⽅向上的梯度 cv.imshow(\"gradient_y\⽅向上的梯度

gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0) #图⽚融合 cv.imshow(\"gradient\

#Scharr算⼦

def Scharr_demo(self):

grad_x = cv.Scharr(self.img, cv.CV_32F, 1, 0) #对x求⼀阶导 grad_y = cv.Scharr(self.img, cv.CV_32F, 0, 1) #对y求⼀阶导

gradx = cv.convertScaleAbs(grad_x) #⽤convertScaleAbs()函数将其转回原来的uint8形式 grady = cv.convertScaleAbs(grad_y)

cv.imshow(\"gradient_x\⽅向上的梯度 cv.imshow(\"gradient_y\⽅向上的梯度 gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0) cv.imshow(\"gradient\ def Laplace_demo(self):

dst = cv.Laplacian(self.img, cv.CV_32F) lpls = cv.convertScaleAbs(dst) cv.imshow(\"Laplace_demo\if __name__ == \"__main__\": img = cv.imread('./d.jpg')

cv.namedWindow('input_image', cv.WINDOW_NORMAL) #设置为WINDOW_NORMAL可以任意缩放 cv.imshow('input_image', img) Solution = Image_Gradent(img) Solution.sobel_demo() cv.waitKey(0)

cv.destroyAllWindows()

　代码来⾃这位⼤哥——