OpenCV图像梯度（Sobel和Scharr）

Posted 2021-09-17 程序媛一枚~

OpenCV图像梯度（Sobel和Scharr）

• • 1 图像梯度是什么？
  • 2 图像梯度的用途
  • 3 图像梯度的使用
  • 参考

这篇博客将介绍图像渐变以及如何使用OpenCV的cv2.Sobel计算Sobel渐变和Scharr渐变。

1 图像梯度是什么？

图像梯度是许多计算机视觉和图像处理程序的基本组成部分。

• 我们使用梯度来检测图像中的边缘，这使得我们能够在图像中找到物体的轮廓和边缘线；
• 我们使用它们作为通过特征提取量化图像的输入-事实上，非常成功和著名的图像描述符，如定向梯度直方图和SIFT是建立在图像梯度表示的基础上的；
• 梯度图像甚至被用来构造显著性图，突出图像的主题；

2 图像梯度的用途

图像梯度的主要应用在于边缘检测。边缘检测是在图像中寻找轮廓/边缘的过程，它揭示了图像中物体的结构信息。因此，边缘可以对应于：

• 图像中对象的边界
• 图像中阴影或光照条件的边界
• 对象中“局部”的边界

图像梯度定义为图像强度的方向变化。
或者更简单地说，在输入（灰度）图像的每个像素处，梯度测量给定方向上像素强度的变化。通过估计方向或方向以及大小（即方向的变化有多大），能够检测图像中看起来像边缘的区域。

梯度幅度（gradient magnitude）用来衡量图像强度的变化有多大。梯度幅度是一个实值数字，它量化了强度变化的“强度”。
梯度方向（gradient orientation）用于确定强度变化的方向。顾名思义，梯度方向会给出一个角度或𝜃 ，用来量化变化的方向。

弧度（radians）转角度（degrees）： 弧度*180/pi = 角度

3 图像梯度的使用

• Sobel和Scharr核，它们是卷积算子，使用OpenCV和cv2.Sobel可自动计算图像梯度

当量化和抽象地表示图像时，梯度幅度和方向有助于获得优秀的特征和图像描述符。
但是对于边缘检测，梯度表示对局部噪声非常敏感。将需要添加更多的步骤来创建一个实际的健壮的边缘检测器。
Soble核如下：

Scharr核如下，比Soble核能获得更好的梯度近似值：

参考

• https://www.pyimagesearch.com/2021/05/12/image-gradients-with-opencv-sobel-and-scharr/