图像梯度
在模糊的图像中，物体的轮廓不明显，轮廓边缘灰度变化不明显，导致层次感不强；
而清晰的图像中，物体的轮廓很清晰，轮廓边缘灰度变换明显，层次感强；
这种变化明显与否可以用 导数或梯度 来衡量，实际上可以用 灰度变化率 来计算；
如下图
如果相邻像素相同，灰度变化率为0，没有梯度；
如果相邻像素不同，灰度变化率不为0，存在梯度；
计算完梯度后，把梯度和原图上对应的像素值相加，那么在存在梯度的位置上像素得到加强，反之像素不变，这样对比度就增强了；
这就是用 梯度 来 增强 图像的原理；
为了减少计算量，可以用 差分 来代替求导；
Sobel 算子
Sobel 算子的特点是计算简单，速度快；
主要用来做 边缘检测；
它只采用了两个方向 x、y 上的模板，只能检测 水平和竖直 方向上的边缘，故只能处理 纹理不太复杂 的图片；
对于纹理复杂的图片，其边缘检测效果不是很理想；
def Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None)
ddepth：输出图像的深度，要大于等于输入图像的深度；-1代表深度相同，(一般源图像都为CV_8U，为了避免溢出，一般ddepth参数选择CV_32F)
// 解释为什么不用-1
使用-1表示输出图像与输入图像的数据类型一致，即 uint8，
如果原始图像是uint8型的，那么在经过算子计算以后，得到的图像可能会有负值，如果与原图像数据类型一致，那么负值就会被截断变成0或者255，使得结果错误，
那么针对这种问题有两种方式改变：一种就是改变输出图像的数据类型（即第二个参数cv2.CV_64F），另一种就是改变原始图像的数据类型（此时ddepth可以为-1，与原始图像一致）
dx：x方向上的差分阶数，取0或1，1就代表 x 方向上求导
dy：y方向上的差分阶数，取0或1
ksize：卷积核大小，通过卷积计算差分，或者叫求导，只取 1 3 5 7
其他
dst参数表示输出与src相同大小和相同通道数的图像。
scale参数表示缩放导数的比例常数，默认情况下没有伸缩系数。
delta参数表示一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中。
borderType表示判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
示例
##### example1 img = cv2.imread('imgs/3.png') img = cv2.resize(img, None, fx=0.5, fy=0.5) def cv_imshow(img, name): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows() # dx=1, dy=0 表示计算水平方向的，不计算竖直方向，谁为1，计算谁 sobelx1 = cv2.Sobel(img, -1, 1, 0, ksize=3) print(img.dtype, sobelx1.dtype) # uint8 uint8 # cv2.CV_64F能表示负数的形式，白-黑是正数，黑-白就是负数了， # 所有的负数会被截断0，所以要取绝对值 sobelx2 = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3) print(img.dtype, sobelx2.dtype) # uint8 float64 print(sobelx2.min()) # -698.0 sobelx2 = cv2.convertScaleAbs(sobelx2) # 转回原来的uint8形式 print(sobelx2.min()) # 0 hmerge = np.hstack((img, sobelx1, sobelx2)) # cv_imshow(hmerge,'merge') ##### example2 image = cv2.imread('imgs/3.png') gray_x = cv2.Sobel(image, cv2.CV_32F, 1, 0) # x方向一阶导数 gray_y = cv2.Sobel(image, cv2.CV_32F, 0, 1) # y方向一阶导数 gradx = cv2.convertScaleAbs(gray_x) # 转回原来的uint8形式 grady = cv2.convertScaleAbs(gray_y) gradxy = cv2.addWeighted(gradx, 0.5, grady, 0.5, 0) # 图像融合 cv2.imshow("gradient-x", gradx) cv2.imshow("gradient-y", grady) cv2.imshow("gradient_xy", gradxy) # cv2.waitKey(0)
我们看到上面例2中，分别计算了 x方向 和 y方向 的梯度，然后相加，而不是 直接 同时计算 x方向和 y方向 的梯度；
因为经过实验，分别计算再相加效果可能更好一点；
scharr 算子
标准差更小的高斯核，其提取的细节更多；
这个图应该手抖了多写了负号，影响不大
示例
img = cv2.imread('imgs/3.png') img = cv2.resize(img, None, fx=0.5, fy=0.5) scharrx = cv2.Scharr(img, cv2.CV_64F, 1, 0) scharry = cv2.Scharr(img, cv2.CV_64F, 0, 1) scharrx = cv2.convertScaleAbs(scharrx) scharry = cv2.convertScaleAbs(scharry) scharrxy = cv2.addWeighted(scharrx, 0.5, scharry, 0.5, 0) res = np.hstack((img, scharrx, scharry, scharrxy)) cv_imshow(res, 'res') cv2.waitKey(0)
效果图
Laplacian 算子
Laplacian 算子是n维欧几里德空间中的一个二阶微分算子，定义为梯度grad的散度div
示例
img = cv2.imread('imgs/3.png') img = cv2.resize(img, None, fx=0.5, fy=0.5) laplacian = cv2.Laplacian(img, cv2.CV_64F) laplacian = cv2.convertScaleAbs(laplacian) res = np.hstack((img, laplacian)) cv_imshow(res, 'reslapls') cv2.waitKey(0)
效果图
这个算子一般不单独使用
参考资料：
https://zhuanlan.zhihu.com/p/113397988 CV学习笔记（十三）：图像梯度
https://blog.csdn.net/lovetobelove/article/details/86618324