本文最后更新于:2022年8月5日 晚上
本文摘录OpenCV 中的卷积、滤波相关操作内容,重点介绍 Opencv 中的梯度操作。
梯度和导数
平滑一般也称“模糊”,是一种简单而又常用的图像处理操作。平滑图像的目的有很多,但通常都是为了减少噪声和伪影。在降低图像分辨率的时候,平滑也是十分重要的。OpenCV 提供5种不同的平滑操作,每种操作都有对应的函数实现,这些操作平滑的结果有着细微的差别。
1. cv2.sobel()
索贝尔导数,官网链接
1 2 3 4 5 6 7 8 9 10
| cv2.Sobel( src, # 源图像 ddepth, # 输出图像深度,-1 和输入图像保持一致 dx, # 导数 x 的阶。 dy[, # 导数 y 的阶。 dst[, ksize=3[, # 扩展的 Sobel 核尺寸,必须是1、3、5或7。 scale=1[, # 计算的导数值的可选缩放因子; 默认情况下,不应用缩放 delta=0[, borderType]]]]]) → dst
|

1 2 3 4 5
| img = mt.cv_rgb_imread('img1.jpg', gray=False) x0y1 = cv2.Sobel(img, -1, 0, 1) x1y0 = cv2.Sobel(img, -1, 1, 0) x1y1 = cv2.Sobel(img, -1, 1, 1) PIS(img, [x0y1, 'x0y1'], [x1y0, 'x1y0'], [x1y1, 'x1y1'])
|

1 2 3 4 5
| img = mt.cv_rgb_imread('img1.jpg', gray=False) x0y2k7 = cv2.Sobel(img, -1, 0, 2, ksize=7) x2y0k7 = cv2.Sobel(img, -1, 2, 0, ksize=7) x3y3k7 = cv2.Sobel(img, -1, 3, 3, ksize=7) PIS(img, [x0y2k7, 'x0y2k7'], [x2y0k7, 'x2y0k7'], [x3y3k7, 'x3y3k7'])
|

为了更好地理解Sobe1算子,我们必须明确它不是真正的导数,因为它定义在离散空间上。Sobel算子实际上表示的是一个多项式,也就是说在x方向上进行二阶Sobel运算表示的并不是二阶导数,而是对抛物线函数的局部拟合。这也就说明了为什么要使用一个更大的核,更大的核拟合了更多的像素。
2. Scharr滤波器
对于$3×3$的Sobel
滤波器,梯度角距离水平或垂直方向越远,误差越明显。在OpenCV中,调用cv2.sobel()
时设置ksize
为cv2.SCHARR
,即可消除$3×3$这样小但是快的Sobel
导数滤波器所带来的误差。Scharr
滤波器和Sobel
滤波器同样很快,但是前者精度更高。因此选择$3×3$的滤波器时,应当使用Scharr
滤波器。

1 2 3
| img = mt.cv_rgb_imread('img1.jpg', gray=False) res = cv2.Sobel(img, -1, 1, 0, ksize=cv2.FILTER_SCHARR) PIS(img, res)
|

3. cv2.Laplacian()
cv2.laplacian()
实现了对拉普拉斯(Laplacian)算子的离散近似
官方文档
$$
Laplace (f)=\frac{\partial^{2} f}{\partial x{2}}+\frac{\partial{2} f}{\partial y^{2}}
$$

1
| cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) → dst
|
1 2 3 4 5
| img = mt.cv_rgb_imread('img1.jpg', gray=False) res3 = cv2.Laplacian(img, -1, ksize = 3) res5 = cv2.Laplacian(img, -1, ksize = 5) res7 = cv2.Laplacian(img, -1, ksize = 7) PIS(img, res3, res5, res7)
|

示例源码
参考资料