如何检测强度梯度方向答案

【问题标题】：How to detect the intensity gradient direction如何检测强度梯度方向
【发布时间】：2016-11-25 00:22:25
【问题描述】：

拥有一个由灰度像素组成的正方形区域的 Mat。如何创建一条直线，其方向与大多数像素值变化方向垂直（平均梯度，整个 Mat 上的 aerage，结果将只是一个方向（然后可以绘制为一条线））？

例如拥有

看起来像

如何在 OpenCV（python 或 C++）中做这样的事情？

【问题讨论】：

听起来就像平均梯度...
我看到图片几乎是均匀的像素。你的意思是什么像素？
请定义“垂直于像素值”。
我也不清楚，你的平均表现是什么：选项1：如果你对整个图片进行变化，结果将只是一个方向（然后可以画成一条线) 选项 2：如果您对图片中的一条线进行平均，您将得到 N 个方向（对应于一条摆动的线，就像您画的那样）。选项 3：如果您对图片的一列进行平均 -> 模拟选项 2 让我们知道您想要什么

标签： c++ opencv

【解决方案1】：

OpenCV 实现如下所示。它以与 Mark Setchell 的回答中解释的类似方式解决问题，只是标准化图像对结果方向没有任何影响。

Mat img = imread("img.png", IMREAD_GRAYSCALE);

// compute the image derivatives for both the x and y direction
Mat dx, dy;
Sobel(img, dx, CV_32F, 1, 0);
Sobel(img, dy, CV_32F, 0, 1);

Scalar average_dx = mean(dx);
Scalar average_dy = mean(dy);

double average_gradient = atan2(-average_dy[0], average_dx[0]);
cout << "average_gradient = " << average_gradient << endl;

并显示结果方向

Point center = Point(img.cols/2, img.rows/2);
Point direction = Point(cos(average_gradient) * 100, -sin(average_gradient) * 100);

Mat img_rgb = imread("img.png"); // read the image in colour
line(img_rgb, center, center + direction, Scalar(0,0,255));
imshow("image", img_rgb);
waitKey();

【讨论】：

不错 - 干得好！我同意标准化 - 我主要是出于可视化目的这样做，因为原始问题上的几个 cmets 暗示人们看不到 OP 正在寻找什么。

【解决方案2】：

我不能轻易地告诉你如何使用 OpenCV 来做到这一点，但我可以告诉你方法并演示如何在命令行中使用 ImageMagick。

首先，我认为您需要将图像转换为灰度并将其标准化为全范围的黑白 - 就像这样：

convert gradient.png -colorspace gray -normalize stage1.png

然后你需要使用 Sobel 滤波器计算图像的 X 梯度和 Y 梯度，然后在 X 梯度上取 Y 梯度的反切：

convert stage1.png -define convolve:scale='50%!' -bias 50% \
  \( -clone 0 -morphology Convolve Sobel:0 \) \
  \( -clone 0 -morphology Convolve Sobel:90 \) \
  -fx '0.5+atan2(v-0.5,0.5-u)/pi/2' result.jpg

那么result.jpg中像素的平均值就是你线的方向。

您可以像这样查看 X 和 Y 梯度的卷积中使用的系数：

convert xc: -define morphology:showkernel=1 -morphology Convolve Sobel:0 null:

Kernel "Sobel" of size 3x3+1+1 with values from -2 to 2
Forming a output range from -4 to 4 (Zero-Summing)
 0:         1         0        -1
 1:         2         0        -2
 2:         1         0        -1


convert xc: -define morphology:showkernel=1 -morphology Convolve Sobel:90 null:
Kernel "Sobel@90" of size 3x3+1+1 with values from -2 to 2
Forming a output range from -4 to 4 (Zero-Summing)
 0:         1         2         1
 1:         0         0         0
 2:        -1        -2        -1

参见 Wikipedia here - 特别是这一行：

【讨论】：

【解决方案3】：

将图像转换为灰度，并根据灰度对其像素进行分类。对于分类，您可以使用 Otsu 方法或具有 2 个集群的 kmeans 之类的方法。再取形态梯度进行二元检测。

这里是分类的像素和使用 Otsu 方法的边界。

现在找到边界图像的非零像素，并使用 fitLine 函数找到加权最小二乘线或使用this RANSAC 实现将二维线拟合到这些像素。 fitLine 给出与该线共线的归一化向量。使用这个向量，你可以找到一个与之正交的向量。

我使用下面的代码得到[0.983035, -0.183421] 共线向量。所以，[0.183421 0.983035] 与这个向量正交。

在左图中，红线是最小二乘线，蓝线是与红线垂直的线。在右图中，红线是最小二乘线，绿线是使用上述 RANSAC 库拟合的线。

Mat im = imread("LP24W.png", 0);

Mat bw, gr;

threshold(im, bw, 0, 255, CV_THRESH_BINARY|CV_THRESH_OTSU);

Mat kernel = getStructuringElement(MORPH_ELLIPSE, Size(3, 3));
morphologyEx(bw, gr, CV_MOP_GRADIENT, kernel);

vector<vector<Point>> contours;
findContours(gr, contours, CV_RETR_LIST, CV_CHAIN_APPROX_SIMPLE);
vector<Point> points;
for (vector<Point>& cont: contours)
{
    points.insert(points.end(), cont.begin(), cont.end());
}
Vec4f line;
fitLine(points, line, CV_DIST_L2, 0, 0.01, 0.01);
cout << line << endl;

【讨论】：