簡述圖像梯度的基本原理

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(jié)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(jié)合的梯度圖像，以及最后的增強圖像。

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

編輯：jq