像梯度反映的是像像素值的变化过程，不管变化大小都考虑在内，所以Sobel，Laplacian变换得到的是一个多级灰度。边沿检测也可以看做是像梯度的一种延伸，不过边沿检测更注意像的“边沿”部分，像梯度变化较小的部分会被忽略，只有较大变化的部分保留下来。
ScharrScharr变换可以看做是使用了Scharr核的Sobel变换，是一种经过改进的Sobel变换，同样也要区分x和y方向分开计算梯度。dst=cvScharrsrc：源像；ddepth：目标像深度；dx：x方向求导阶数；dy：y方向求导阶数；dst：目标像；scale：缩放比例，默认为1；delta：叠加值，默认为0；borderType：边界填充类型；注意Scharr没有ksize参数，因为Scharrkernel的大小固定为3×
先设置dx=1，dy=0计算x方向的梯度，再设置dy=1，dx=0计算y方向的梯度，为了避免出现饱和运算，
dtype设置的是比源图像数据类型CV_8U更高的CV_16S，然后将结果用convertScaleAbs()转换回
CV_8U(np.unit8)类型，最后用addWeighted()将x和y方向的梯度图加权相加。
grad_x = cv2.Scharr(img_src,cv2.CV_16S,1,0)
grad_y = cv2.Scharr(img_src,cv2.CV_16S,0,1)
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)
grad = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)
从运行结果可以看到Laplacian中ksize越大，梯度信息越丰富，这点和Sobel变换是一样的。另外在相同的ksize时，二阶Sobel变换和Laplacian变换对比看，Laplacian变换取得的梯度信息要更明显一些。
#Laplacian
grad_lap = cv2.Laplacian(img_src,cv2.CV_16S,ksize=1)
abs_grad_lap1 = cv2.convertScaleAbs(grad_lap)
grad_lap = cv2.Laplacian(img_src,cv2.CV_16S,ksize=3)
abs_grad_lap3 = cv2.convertScaleAbs(grad_lap)
grad_lap = cv2.Laplacian(img_src,cv2.CV_16S,ksize=5)
abs_grad_lap5 = cv2.convertScaleAbs(grad_lap)
#二阶Sobel
grad_x = cv2.Sobel(img_src, cv2.CV_16S, 2, 0, ksize=3)
grad_y = cv2.Sobel(img_src, cv2.CV_16S, 0, 2, ksize=3)
abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)
abs_grad_sobel = cv2.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0)
LaplacianLaplacian变换是对像求二阶导数，下是2种3×3尺寸的kernel，这里ksize是Laplacian的入参名称：Laplacian变换不需要区分像的x和y方向计算梯度，从上的2种kernel也可以看到其x和y方向是对称的。在Laplacian变换中，ksize必须是小于31的正奇数，但是当ksize等于1时，这时kernel的尺寸大小并非是其实际尺寸仍然为3×这点从源码上可以看到当ksize=1时，实际为一个包含9个元素的3×3尺寸的kernel：
dst = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])
相同的ksize时，threshold1和threshold2的差值越小，边沿细节越多。
Ksize差异
img_edge3 = cv2.Canny(img_src,20,100,apertureSize=3)
img_edge5 = cv2.Canny(img_src,20,100,apertureSize=5)
img_edge7 = cv2.Canny(img_src,20,100,apertureSize=7)
边缘检测Canny
src：源像；ddepth：目标像深度；dst：目标像；ksize：kernel尺寸，小于31的正奇数；如果为1仍然是一个3×3的kernel；scale：缩放比例，默认为1；delta：叠加值，默认为0；borderType：边界填充类型；Laplacian变换中没有dx或dy参数，因为Laplacian是对像求二阶导数。
image：8bit源像，可以是单通道或多通道；threshold迟滞阈值1；threshold迟滞阈值和threshold1没有大小要求，函数内部会调整交换；edges：目标像，二值像；apertureSize：kernel尺寸，默认为3；L2gradient：是否使用L2范式，如果设置为True，计算梯度时使用的是2个方向梯度的平方和开平方，如果设置为False，则使用2个方向梯度的绝对值的和；
第2种接口形式如下：
edges=cv2.Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]])
src：源像；ddepth：目标像深度；dx：x方向求导阶数；dy：y方向求导阶数；dst：目标像；ksize：kernel尺寸，说明文档上指出必须是1,3,5,7中的一个，但是实验可以得到应该是小于31的正奇数；如果是-1表示scharr滤波；scale：缩放比例，默认为1；delta：叠加值，默认为0；borderType：边界填充类型；
相同的threshold值，ksize越大边沿细节越多，这点和Sobel，Scharr，Laplacian计算像梯度效果是一样的。
高斯滤波器平滑输入像；计算梯度幅值像和角度方向；对梯度幅值像应用非最大值抑制；用双阈值处理和连接分析检测和连接边沿。
第一种接口
edges=cv2.Canny(image, threshold1, threshold1[, edges[, apertureSize[, L2gradient]]])
canny边沿检测有低错误率、很好地定位边缘点、单一的边缘点响应等优点。canny边沿检测算法由以下几个步骤组成：
第2种接口形式和第1种实现边沿检测的效果是一样的，第2种形式需要先计算像的x和y方向的梯度，所以计算梯度的kernel尺寸在第2种接口中就不需要了。
dx：源像的16bitx方向梯度像；dy：源像的16bity方向梯度像；threshold迟滞阈值1；threshold迟滞阈值2；edges：目标像；L2gradient：是否使用L2范式，如果设置为True，计算梯度时使用的是2个方向梯度的平方和开平方，如果设置为False，则使用2个方向梯度的绝对值的和；
文章为作者独立观点，不代表股票交易接口观点
相关文章
股民评论