opencv学习（图像梯度）
目录
1.什么是图像梯度
2.常见4种算子对比
3.常见4种算子的代码示例
1.什么是图像梯度
在图像处理中，图像梯度（Image Gradient） 是描述图像中像素值变化率的概念，是理解图像中 “哪里发生变化” 以及 “变化有多剧烈” 的核心工具。从简单的 Sobel 算子到复杂的 Canny 算法，本质都是通过梯度分析实现边缘提取，是计算机视觉中处理图像结构的基础。
2.常见4种算子对比
| 对比维度 | Sobel算子 | Scharr算子 | Laplacian算子 | Canny算子 |
| 边缘方向 | 水平 / 垂直 | 水平 / 垂直 | 不区分方向 | 不区分方向 |
| 边缘粗细 | 较粗 | 较细（ 对细节更敏感） | 较粗（易受噪声影响） | 最细（非极大值抑制优化） |
| 抗噪声能力 | 中等（自带轻微平滑） | 中等（与 Sobel 类似） | 弱（对噪声极敏感） | 强（高斯模糊 + 双阈值） |
| 计算的复杂度 | 低 | 低（与 Sobel 相同） | 低 | 高（多阶段处理） |
| 输出结果 | 灰度图（边缘强度） | 灰度图（边缘强度） | 灰度图（边缘强度） | 二值图（仅保留边缘） |
3.常见4种算子的代码示例
import cv2
import matplotlib.pyplot as plt
import numpy as np'''
img=cv2.imread('persistence.jpg')
img1=cv2.resize(img,(0,0),fx=0.6,fy=0.5)
cv2.imshow('img1',img1)
cv2.waitKey(0)
cv2.destroyAllWindows()
'''
img = cv2.imread('persistence.jpg',cv2.IMREAD_GRAYSCALE)
#img = cv2.imread('persistence.jpg')
img1 = cv2.resize(img, (0, 0), fx=0.6, fy=0.5)
def cv_show(name,img):cv2.imshow(name,img)#def函数中cv2.imshow函数的两个参数不是固定的参数，将选用的参数放在调用函数cv_show()中。cv2.waitKey(0)cv2.destroyAllWindows()
cv_show('persistence.jpg',img1)#sobel算子
'''
Sobel 算子是一种常用的边缘检测算子，它通过计算图像梯度的近似值来识别图像中的边缘区域。
Sobel 算子对噪声具有一定的平滑作用，同时能较好地保留边缘信息，因此在计算机视觉任务中被广泛应用。
由于梯度计算可能产生负值（如边缘从亮到暗的过渡），ddepth需设为cv2.CV_64F以保留负值，否则会被截断为 0（丢失部分边缘）。
后续需用cv2.convertScaleAbs()将结果转为uint8（0-255）以便正常显示。
'''
#水平方向是点的右边-点的左边#eq=cv2.equalizeHist(img1) #cv2.equalizeHist()用于灰度图中增强对比度sox=cv2.Sobel(img1,cv2.CV_64F,1,0,ksize=3)#ksize：Sobel 核的大小（必须为奇数，如 1、3、5、7，默认 3）
sox=cv2.convertScaleAbs(sox)#cv2.convertScaleAbs取绝对值
#cv_show('sox',sox)#垂直方向是点的下边-点的上边
soy=cv2.Sobel(img1,cv2.CV_64F,0,1,ksize=3)
soy=cv2.convertScaleAbs(soy)
#cv_show('soy',soy)#dx+dy,求和(不能将dx和dy都变成1来进行求和计算)
soxy=cv2.addWeighted(sox,0.5,soy,0.5,0)
cv_show('soxy',soxy)
res1=np.hstack((sox,soy,soxy))
cv_show('res1',res1)#scharr算子（dx和dy的参数比sobel算子的参数大）
scx=cv2.Scharr(img1,cv2.CV_64F,1,0)
scx=cv2.convertScaleAbs(scx)
scy=cv2.Scharr(img1,cv2.CV_64F,0,1)
scy=cv2.convertScaleAbs(scy) #切记求绝对值
scxy=cv2.addWeighted(scx,0.5,scy,0.5,0)
cv_show('scxy',scxy)#lapkacian算子(不区分dx和dy，中心点的斜对角都是0.中心点为-4，中心点的上下左右为1)
lap=cv2.Laplacian(img1,cv2.CV_64F)
lap=cv2.convertScaleAbs(lap)
cv_show('lap',lap)
res2=np.hstack((img1,soxy,scxy,lap))#在没有给scharr算子和lapkacian算子进行cv2.convertScaleAbs操作时，soxy没有呈现出来
res3=cv2.resize(res2,(0,0),fy=0.8,fx=0.8)
cv_show('res3',res3)'''
对比维度 Sobel Scharr Laplacian Canny
边缘方向性 区分水平 / 垂直方向 区分水平 / 垂直方向 不区分方向（全向检测） 不区分方向（全向检测）
边缘粗细 较粗 较细（对细节更敏感） 较粗（易受噪声影响） 最细（非极大值抑制优化）
抗噪声能力 中等（自带轻微平滑） 中等（与 Sobel 类似） 弱（对噪声极敏感） 强（高斯模糊 + 双阈值）
计算复杂度 低 低（与 Sobel 相同） 低 高（多阶段处理）
输出结果 灰度图（边缘强度） 灰度图（边缘强度） 灰度图（边缘强度） 二值图（仅保留边缘）
'''#Canny边缘检测
'''
Canny边缘检测是一种多阶段边缘检测算法，其核心目标是检测出图像中真实、连续、定位准确的边缘，被广泛认为是 “最优边缘检测算法”。
其理论基础结合了图像处理、信号处理和统计理论。
具体有5个步骤：
首先采用高斯滤波去模糊，
再用Sobel算子进行图像梯度处理，在此过程中对梯度的大小和方向进行计算（大小就是求和计算，方向=arctan（Gy/Gx）
方向通常被量化为 4 个角度：0°（水平）、45°（对角线）、90°（垂直）、135°（反对角线），便于后续处理。），
之后进行非极大值抑制操作（沿梯度方向（垂直于边缘走向）检查当前像素是否为局部最大值，若不是则抑制（设为 0），仅保留梯度最强的像素。
例如：若梯度方向为 90°（垂直边缘），则比较当前像素与上下相邻像素的梯度大小，只有当前像素是最大值时才保留。），
之后进行双阈值筛选（梯度值>maxVal: 则处理为边界；minVal<梯度值<maxVal:连有边界则保留，否则舍弃；梯度值<minVal: 则舍弃），
最后进行边缘链接。单方向梯度通常为 - 255~255，梯度大小（边缘强度）最大约 360，但实际应用中通过转换后，梯度会被处理为 0~255 的可视范围。
这也是 Canny 边缘检测的阈值通常设置在 0~255 之间的原因。
'''
canny1=cv2.Canny(img1,50,150)#最大阈值通常是最小阈值的2-3倍，同时在理论上最大阈值不超过255
canny2=cv2.Canny(img1,80,240)
canny3=cv2.Canny(img1,200,350)
res4=np.hstack((canny1,canny2,canny3))
cv_show('res4',res4)