文章目录
- 4.图像梯度计算
- （1）Sobel算子
- （2）梯度计算方法
- （3）Scharr与Laplacian算子
4.图像梯度计算
（1）Sobel算子
图像梯度-Sobel算子
Sobel算子是一种经典的图像边缘检测算子，广泛应用于图像处理和计算机视觉领域。以下是关于Sobel算子的详细介绍：
基本原理
Sobel算子是一种基于一阶导数的边缘检测算子，通过计算图像中每个像素点的梯度来检测边缘。它结合了图像的平滑处理和微分计算，旨在强调图像中强度变化显著的区域。
对于图像中的每个像素点，Sobel算子通过将卷积核与像素点及其邻域像素进行卷积运算，分别计算出水平方向和垂直方向的梯度。
水平方向梯度（Gx）：使用Gx卷积核与图像进行卷积，得到水平梯度图像。
垂直方向梯度（Gy）：使用Gy卷积核与图像进行卷积，得到垂直梯度图像。
优点
计算简单：Sobel算子的卷积核简单，计算速度快。
对噪声有一定鲁棒性：由于结合了平滑处理，对噪声有一定的抑制作用。
缺点
对斜边缘检测效果不佳：Sobel算子对水平和垂直边缘的检测效果较好，但对斜边缘的检测效果相对较弱。
对高频噪声敏感：尽管比单纯的差分算子要好一些，但仍然对高频噪声较敏感。
应用
Sobel算子在图像处理和计算机视觉领域有广泛应用，包括：
- 边缘检测：用于提取图像中的边缘信息。
- 特征提取：作为图像分析和物体识别的预处理步骤。
- 图像分割：帮助确定图像中不同区域的边界。
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)
cv2.imshow('img',img)
cv2.waitKey()
cv2.destroyAllWindows()img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)# 使用Matplotlib显示图像
plt.imshow(img_rgb)
plt.show()
dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
- ddepth:图像的深度
- dx和dy分别表示水平和竖直方向
- ksize和Sobel算子的大小
import numpy as np
def cv_show(img,name):cv2.imshow(name,img)cv2.waitKey()cv2.destroyAllWindows()#计算x方向的梯度，dx＝1
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
cv_show(sobelx,'sobelx'
