圖像梯度的基本原理
點擊下方卡片，關注“新機器視覺”公眾號
視覺/圖像重磅干貨，第一時間送達
當用均值濾波器降低圖像噪聲的時候，會帶來圖像模糊的副作用。我們當然希望看到的是清晰圖像。那么，清晰圖像和模糊圖像之間的差別在哪里呢？從邏輯上考慮，圖像模糊是因為圖像中物體的輪廓不明顯，輪廓邊緣灰度變化不強烈，層次感不強造成的，那么反過來考慮，輪廓邊緣灰度變化明顯些，層次感強些是不是圖像就更清晰些呢。
那么，這種灰度變化明顯不明顯怎樣去定義呢。我們學過微積分，知道微分就是求函數(shù)的變化率，即導數(shù)（梯度），那么對于圖像來說，可不可以用微分來表示圖像灰度的變化率呢，當然是可以的，前面我們提到過，圖像就是函數(shù)嘛。
在微積分中，一維函數(shù)的一階微分的基本定義是這樣的：
而圖像是一個二維函數(shù)f(x,y)，其微分當然就是偏微分。因此有：
因為圖像是一個離散的二維函數(shù)，? 不能無限小，我們的圖像是按照像素來離散的，最小的?就是1像素。因此，上面的圖像微分又變成了如下的形式（?=1）：
這分別是圖像在(x, y)點處x方向和y方向上的梯度，從上面的表達式可以看出來，圖像的梯度相當于2個相鄰像素之間的差值。
那么，這個梯度（或者說灰度值的變化率）如何增強圖像的清晰度呢？
我們先考慮下x方向，選取某個像素，假設其像素值是100，沿x方向的相鄰像素分別是90,90,90，則根據(jù)上面的計算其x方向梯度分別是10,0,0。這里只取變化率的絕對值，表明變化的大小即可。
我們看到，100和90之間亮度相差10，并不是很明顯，與一大群90的連續(xù)灰度值在一起，輪廓必然是模糊的。我們注意到，如果相鄰像素灰度值有變化，那么梯度就有值，如果相鄰像素灰度值沒有變化，那么梯度就為0。如果我們把梯度值與對應的像素相加，那么灰度值沒有變化的，像素值不變，而有梯度值的，灰度值變大了。
我們看到，相加后的新圖像，原圖像像素點100與90亮度只相差10，現(xiàn)在是110與90，亮度相差20了，對比度顯然增強了，尤其是圖像中物體的輪廓和邊緣，與背景大大加強了區(qū)別，這就是用梯度來增強圖像的原理。
上面只是說了x方向，y方向是一樣的。那么能否將x方向和y方向的梯度結合起來呢？當然是可以的。x方向和y方向上的梯度可以用如下式子表示在一起：
這里又是平方，又是開方的，計算量比較大，于是一般用絕對值來近似平方和平方根的操作，來降低計算量：
我們來計算一下月球圖像的x方向和y方向結合的梯度圖像，以及最后的增強圖像。（原圖像來自岡薩雷斯的《數(shù)字圖像處理》一書。)
import cv2
import numpy as np
moon = cv2.imread("moon.tif", 0)
row, column = moon.shape
moon_f = np.copy(moon)
moon_f = moon_f.astype("float")
gradient = np.zeros((row, column))
for x in range(row - 1):
for y in range(column - 1):
gx = abs(moon_f[x + 1, y] - moon_f[x, y])
gy = abs(moon_f[x, y + 1] - moon_f[x, y])
gradient[x, y] = gx + gy
sharp = moon_f + gradient
sharp = np.where(sharp < 0, 0, np.where(sharp > 255, 255, sharp))
gradient = gradient.astype("uint8")
sharp = sharp.astype("uint8")
cv2.imshow("moon", moon)
cv2.imshow("gradient", gradient)
cv2.imshow("sharp", sharp)
cv2.waitKey()
來源：CSDN，作者：saltriver。
原文鏈接：https://blog.csdn.net/saltriver/article/details/78987096
—版權聲明—
僅用于學術分享，版權屬于原作者。
若有侵權，請聯(lián)系微信號:yiyang-sy 刪除或修改！