接上期：
OpenCV基础——图像滤波和形态学操作-CSDN博客
一.梯度计算
上贴已经讲过，梯度可以浅显地理解为图像中发生颜色变化的局部区域，也即边界点。本质上是通过构造与卷积核相同的矩阵，计算边缘区域像素点的差异值——也即梯度：
1.sobel算子
sobel函数中的第二个参数相当于扩充位数，意味着可以存在负数，1和0分别表示水平和垂直梯度，这里哪个为1表示算哪个，最后是核函数的大小：
sobel=cv2.Sobel(thresh,cv2.CV_64F,1,0,ksize=3)
cv_show(sobel,'sobel')这里还用的上贴的图，需要注意的是要把图像转换为灰度图再计算边缘，这里不再赘述：
这时大家能看出来一些端倪——好像只显示了轴对称的一半？这是因为图像梯度的计算方式为核矩阵右边的元素减左边的元素，而我们选的图为外黑内白，这样的话白减黑为白色，黑减白为负由于阈值问题统一变为黑色，因此这里显示不出来，而那条竖杠也是这个道理~
因此我们要将被截断的负数取绝对值，这样另一半也能正常显示：
为了防止各位不看上贴有点蒙圈，这里再展示一下垂直方式梯度的完整代码：
import cv2
def cv_show(img,name):cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()
img=cv2.imread('D:\\Circle.jpg')
img=cv2.resize(img,(0,0),fx=0.7,fy=0.7)
img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
sobel=cv2.Sobel(thresh,cv2.CV_64F,0,1,ksize=3)
sobel=cv2.convertScaleAbs(sobel)
cv_show(sobel,'sobel')效果有点像水平旋转了一下：
分别得到水平和垂直的梯度，然后用我们第一帖里面提到的addweight函数叠加一下即可：
sobelx=cv2.Sobel(thresh,cv2.CV_64F,1,0,ksize=3)
sobelx=cv2.convertScaleAbs(sobelx)
sobely=cv2.Sobel(thresh,cv2.CV_64F,0,1,ksize=3)
sobely=cv2.convertScaleAbs(sobely)
sobel=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)相比单向的，缺少的线条更合理地展现了出来：
注意，最好不要同时计算水平和垂直的梯度，效果不如分开算的好。
我们再换一张图整体展示一下梯度计算的效果：
import cv2
import numpy as np
def cv_show(img,name):cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()
img=cv2.imread('D:\\Bayern.jpg')
img=cv2.resize(img,(0,0),fx=0.7,fy=0.7)
img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
sobelx=cv2.Sobel(thresh,cv2.CV_64F,1,0,ksize=3)
sobelx=cv2.convertScaleAbs(sobelx)
sobely=cv2.Sobel(thresh,cv2.CV_64F,0,1,ksize=3)
sobely=cv2.convertScaleAbs(sobely)
sobel=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
tog=np.hstack((thresh,sobel))
cv_show(tog,'tog')
实际上，如果不做阈值操作效果会更好，大家自行尝试：
2.scharr算子
思想上来说没什么区别，只是核中的值较前者会更大一些，在边缘检测的效果中会更加敏感~
scharrx=cv2.Scharr(thresh,cv2.CV_64F,1,0)
scharry=cv2.Scharr(thresh,cv2.CV_64F,0,1)
scharr=cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
tog=np.hstack((thresh,scharr))
cv_show(tog,"tog")另一个区别是scharr中没有核大小的参数。
3.lapkacian算子
较前两者会更加敏感一些，与此同时不可避免地会对噪声点也敏感，因此效果不一定会更好，往往需要配合其他方法使用。
另一个不同是当前点要和周围四个点的值相关，因此不需要像前两者一样分别计算竖直和水平再聚合：
import cv2
import numpy as np
def cv_show(img,name):cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()
img=cv2.imread('D:\\Bayern.jpg')
img=cv2.resize(img,(0,0),fx=0.7,fy=0.7)
img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
sobelx=cv2.Sobel(thresh,cv2.CV_64F,1,0,ksize=3)
sobelx=cv2.convertScaleAbs(sobelx)
sobely=cv2.Sobel(thresh,cv2.CV_64F,0,1,ksize=3)
sobely=cv2.convertScaleAbs(sobely)
sobel=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)scharrx=cv2.Scharr(thresh,cv2.CV_64F,1,0)
scharry=cv2.Scharr(thresh,cv2.CV_64F,0,1)
scharr=cv2.addWeighted(scharrx,0.5,scharry,0.5,0)laplacian=cv2.Laplacian(thresh,cv2.CV_64F)
laplacian=cv2.convertScaleAbs(laplacian)tog=np.vstack((sobel,scharr,laplacian))
cv_show(tog,"tog")这里直接聚合展示：
事实上，无论哪种边缘检测，还是要结合具体应用场景和图片才能更好地评价优劣~
二.边缘检测
这里介绍的是Canny边缘检测算法：
1.高斯滤波降噪
先对图像进行一个平滑处理，避免噪点影响梯度计算~
满足高斯的思想，越接近中心权值越大，这里对核进行了归一化处理~
2.计算梯度强度和方向
不仅计算梯度大小，还要计算方向，这里使用了sobel算子~
有了水平和垂直的梯度直接用反三角函数就可以求出来角度大小。
3.非极大值抑制
简单来说就是将最明显的边界值体现出来~
比较当前点和周围两个点幅值大小，如果是最大的就保存，如果不是最大就抑制掉（舍弃）~
4.双阈值检测完成抑制孤立的弱边缘
对边界候选值再进行一次过滤，保留更真实的一些~
总的来说就是保留更真实的边界。对于minval来说，如果相对小，则对于边缘的筛选相对放宽，较大则相对严格；maxval同样是这个规律。
5.效果
这里写法要改一下，直接读取为灰度图并且不需要阈值操作了。通过canny函数自行设置maxval和minval：
import cv2
import numpy as np
def cv_show(img,name):cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()
img=cv2.imread('D:\\Bayern.jpg',cv2.IMREAD_GRAYSCALE)
img=cv2.resize(img,(0,0),fx=0.7,fy=0.7)
img1=cv2.Canny(img,130,190)
img2=cv2.Canny(img,80,140)
tog=np.vstack((img,img1,img2))
cv_show(tog,'tog.jpg')题外话，无论是直接读取为灰度图还是先读入彩色图再转换，效果都一样：
import cv2 import numpy as np def cv_show(img,name):cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows() img1=cv2.imread('D:\\Bayern.jpg',cv2.IMREAD_GRAYSCALE) img1=cv2.resize(img1,(0,0),fx=0.7,fy=0.7) img2=cv2.imread('D:\\Bayern.jpg') img2=cv2.resize(img2,(0,0),fx=0.7,fy=0.7) img2=cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY) tog=np.vstack((img1,img2)) cv_show(tog,'tog')
很明显，阈值越大则检测出来的其他边缘越多，换句话说，精度更高，但我们不一定需要~毕竟和自然规律一样，并不是事物都是越大、越多越好
我们再换一张看看：稍微归纳一下，越是对比度不明显的图片，越适合将max和min设置得小一些~
三.图像金字塔
通俗地说，将图像组装成为更像金字塔的形状：
1.高斯金字塔
验证金字塔底部往尖走是向下采样，即金字塔越来越小；向上采样则反之：本质上就是滤波~
原理上来说，有点像原始数据不够，通过插值法来获取更多数据的操作~
import cv2
import numpy as np
def cv_show(img,name):cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()
img=cv2.imread('D:\\Code.jpg',cv2.IMREAD_GRAYSCALE)
img=cv2.resize(img,(0,0),fx=0.5,fy=0.5)
up1=cv2.pyrUp(img)
up2=cv2.pyrUp(up1)
cv_show(up1,"up1")但需要注意的是，上采样和下采样并不能相互抵消，因为在采样过程中又赋值为0的操作，这会损失信息：
import cv2
import numpy as np
def cv_show(img,name):cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()
img=cv2.imread('D:\\Code.jpg',cv2.IMREAD_GRAYSCALE)
img=cv2.resize(img,(0,0),fx=0.5,fy=0.5)
newimg=cv2.pyrDown(img)
newimg=cv2.pyrUp(newimg)
tog=np.hstack((img,newimg))
cv_show(tog,'tog')相较原来变得更加模糊：
2.拉普拉斯金字塔
原理公式如下：
和上面有点像，先down一下再up一下，然后再用原始图减去这个结果：
import cv2
import numpy as np
def cv_show(img,name):cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()
img=cv2.imread('D:\\Code.jpg')
img=cv2.resize(img,(0,0),fx=0.5,fy=0.5)
newimg=cv2.pyrDown(img)
newimg=cv2.pyrUp(newimg)
answer=img-newimg
tog=np.hstack((img,answer))
cv_show(tog,'tog')这里用彩色图效果更加明显：
顺便说一下，up和down的顺序相反，效果也是不同的：
up_down=cv2.pyrUp(img)
up_down=cv2.pyrDown(up_down)
down_up=cv2.pyrDown(img)
down_up=cv2.pyrUp(down_up)
tog=np.hstack((up_down,down_up))
cv_show(tog,'tog')
本帖篇幅差不多了，下期继续~
