OpenCV圖像梯度（Sobel和Scharr）

• • 1 圖像梯度是什么？
  • 2 圖像梯度的用途
  • 3 圖像梯度的使用
  • 參考

這篇博客將介紹圖像漸變以及如何使用OpenCV的cv2.Sobel計算Sobel漸變和Scharr漸變。

1 圖像梯度是什么？

圖像梯度是許多計算機視覺和圖像處理程序的基本組成部分。

• 我們使用梯度來檢測圖像中的邊緣，這使得我們能夠在圖像中找到物體的輪廓和邊緣線；
• 我們使用它們作為通過特征提取量化圖像的輸入-事實上，非常成功和著名的圖像描述符，如定向梯度直方圖和SIFT是建立在圖像梯度表示的基礎上的；
• 梯度圖像甚至被用來構造顯著性圖，突出圖像的主題；

2 圖像梯度的用途

圖像梯度的主要應用在于邊緣檢測。邊緣檢測是在圖像中尋找輪廓/邊緣的過程，它揭示了圖像中物體的結構信息。因此，邊緣可以對應于：

• 圖像中對象的邊界
• 圖像中陰影或光照條件的邊界
• 對象中“局部”的邊界

圖像梯度定義為圖像強度的方向變化。
或者更簡單地說，在輸入（灰度）圖像的每個像素處，梯度測量給定方向上像素強度的變化。通過估計方向或方向以及大小（即方向的變化有多大），能夠檢測圖像中看起來像邊緣的區域。

梯度幅度（gradient magnitude）用來衡量圖像強度的變化有多大。梯度幅度是一個實值數字，它量化了強度變化的“強度”。
梯度方向（gradient orientation）用于確定強度變化的方向。顧名思義，梯度方向會給出一個角度或𝜃 ，用來量化變化的方向。

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

3 圖像梯度的使用

• Sobel和Scharr核，它們是卷積算子，使用OpenCV和cv2.Sobel可自動計算圖像梯度

當量化和抽象地表示圖像時，梯度幅度和方向有助于獲得優秀的特征和圖像描述符。
但是對于邊緣檢測，梯度表示對局部噪聲非常敏感。將需要添加更多的步驟來創建一個實際的健壯的邊緣檢測器。
Soble核如下：

Scharr核如下，比Soble核能獲得更好的梯度近似值：

參考

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

總結

以上是生活随笔為你收集整理的OpenCV图像梯度（Sobel和Scharr）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。