什么时候图像的梯度方向比幅度更有用？答案

【问题标题】：When is the gradient direction of an image more useful than the magnitude?什么时候图像的梯度方向比幅度更有用？
【发布时间】：2013-07-31 08:54:03
【问题描述】：

在现实世界中是否存在图像 Gx 和 Gy 的方向梯度比其幅度 sqrt(Gx^2 + Gy^2) 更有用的问题或情况？一些直觉，如果需要，请参阅matlab image gradient

【问题讨论】：

【解决方案1】：

保证梯度信息垂直于图像（以及更普遍的灰度级）轮廓。因此，它与图像中对象的几何形状有关，而不是与它们的“颜色”有关。因此，它是一个独立于任何像素的实际亮度值的信息，它仅取决于它们的相对分布。这也被称为对比度变化不变测量。

对比度变化很可能发生在现实世界的应用程序中。以视频监控系统为例：白天，太阳会在地平线上移动，云层会飞过，导致光照强度发生变化。一个检测梯度方向变化而不是梯度幅度变化的像素值的系统将对这些光照变化更加鲁棒。

更一般地说，梯度方向与其幅度不同，与image morphology 的广阔领域密切相关，这在形状识别上下文中非常有用。

【讨论】：

【解决方案2】：

当分别考虑 x 和 y 梯度时，许多现实世界的问题更容易解决。尽管其中许多将是非常专业的，但我想到的是天空线检测。从 yGradient 给出偏好（或仅使用信息）的边缘检测器可以更容易地区分地平线。

几乎任何必须检测沿一个特定方向运行的边缘的东西都可以使用单独的 x 和 y 梯度。虽然我想不出很多例子，但我很确定我不久前读过一篇关于自动检查瓶子填充水平的论文，它充分利用了垂直梯度，同时抑制了水平梯度。

在我自己的工作中，我编写了一些边缘检测算法来检测钻孔图像中的水平分层，这为垂直梯度分配了比水平梯度更大的权重。这可以抑制钻孔标记和卡尺臂阴影，同时增强大部分水平层。

【讨论】：

【解决方案3】：

我想您可以在需要各向异性（方向相关）滤镜时使用它；就像您想过滤具有特定方向边缘的对象一样。

【讨论】：

【解决方案4】：

通过考虑边缘方向，可以提高用于形状检测（例如线、圆等）的 Hough 变换；例如，看看我刚刚找到的这些演讲幻灯片：http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/MORSE/hough.pdf

【讨论】：