【 图像梯度 |
您所在的位置:网站首页 › 梯度如何计算面积 › 【 图像梯度 |
衔接前篇 以下资料均为笔记整理: 梯度的计算 在微积分中,一维函数的一阶微分方程的基本定义如下: 而图像是一个二维函数f(x,y),其一阶偏微分方程如下: 该二元函数f(x,y)在某点的梯度为: 梯度的方向是函数变化最快的方向,沿着梯度的方向容易找到最大值。简单的理解就是梯度即变化率,说明在这个方向上有函数存在变化。 关于梯度的方向是函数变化最快的方向的详细解释, 请参见:《为什么梯度反方向是函数值下降最快的方向?》 https://blog.csdn.net/weixin_40807247/article/details/82755087 其中f(x+v)中的v代表单位向量 https://blog.csdn.net/weixin_40807247/article/details/82755087图像梯度 ● 模糊图像中的物体轮廓不明显,轮廓边缘灰度变化不强烈,层次感不强; ● 清晰图片中的物体轮廓边缘灰度变化明显,层次感强。 那么这种灰度变化明显不明显怎么去定义呢?可以使用导数(梯度),衡量图像灰度的变化率,因为图像就是函数。 因为图像是按照像素来离散的,所以图像可以视为一个离散的二维函数, ϵ即相邻两个刻度之间距离,ϵ不能无限小,最小的ϵ就是1像素, 因此,上面的图像微分变式得到如下等式(ϵ=1): 分别表示图像在(x, y)点处x方向和y方向上的梯度, 因此,图像的梯度相当于2个相邻像素之间的差值。 用梯度来增强图像清晰度的原理 如下图所示,在x方向上,选取某个像素(假设其像素值为100)沿x方向的相邻像素分别是90,90,90,则根据上面的计算其x方向梯度(偏微分;函数变化率)分别是10,0,0。这里只取变化率的绝对值,表明变化的大小即可。 而100和90之间亮度仅相差10,改变化并不明显,所当很少的100与一大片90的连续灰度值在一起时,轮廓必然是模糊的。 不难发现, ● 如果相邻像素灰度值有变化,那么梯度就有值; ● 如果相邻像素灰度值没有变化,那么梯度就为0。 如果把梯度值与对应的像素相加,那么 ● 有梯度值的,灰度值变大了;(如图100->110) ● 梯度就为0的,灰度值也没有变化,则像素值也不变。(如图90->90) 原图像像素点100与90亮度只相差10,现在相加后的新图像是110与90,亮度相差20。 这样以来,对比度显然增强了,尤其是图像中物体的轮廓和边缘,与背景大大加强了区别,这就是用梯度来增强图像清晰的原理。 用绝对值来近似平方和平方根以降低计算量 将图像两个方向结合起来就可以得到图像函数f(x,y)梯度表达式: 其中Gx、Gy表示x方向和y方向的梯度。 幅度: 方向角: 对于图像来说,相当于是二维离散函数求梯度,使用差分来近似导数: Gx(x,y):x方向梯度,即H(x,y)对x求偏导。 Gy(x,y):y方向梯度 H(x,y):像素值 【注】微分是差分的线性部分,简单的理解: 微分用于描述连续对象的差值 差分用于描述离散对象的差值 像素点(x,y)处的梯度值和梯度方向分别是: 可以看到梯度值: 又是平方,又是开方的,计算量比较大, 于是一般用绝对值来近似平方和平方根的操作,来降低计算量: 然后可用以下公式计算梯度方向: 边缘的梯度值大 【注】边缘应该是像素变化大的地方,也就是梯度大的地方而不是梯度变化大的地方。 梯度的方向是函数变化最快的方向, 当函数中存在边缘时,一定有较大的梯度值; 当图像中有比较平滑的部分时,灰度值变化较小,则相应的梯度也较小, 图像处理中把梯度的模简称为梯度,由图像梯度构成的图像成为梯度图像。 参考资料 图像梯度的基本原理:https://blog.csdn.net/saltriver/article/details/78987096 图像梯度:https://www.cnblogs.com/pacino12134/p/11358698.html |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |