目标

• 认识图像梯度、边界
• 学习函数cv2.Sobel()，cv2.Schar()，cv2.Laplacian()

原理

图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导。OpenCV提供三种类型的梯度滤波器或高通滤波器，Sobel，Scharr和Laplacian.

Sobel 和 Scharr 算子

Sobel算子是结合了高斯平滑与微分运算的结合方法，所以它的抗噪声能力很强，其是普通一阶差分，是基于寻找梯度强度。每一个算子分别对应这x和y这两个方向的模板，故在代码中要分别在两个方向上处理，最后用cv2.addWeighted(...)函数将其组合起来。

Sobel算子

Sobel函数原型如下：

cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])

前四个是必须的参数：

• 第一个参数是需要处理的图像；
• 第二个参数是图像的深度（数据类型），-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度；
• dx和dy表示的是求导的阶数，0表示这个方向上没有求导，一般为0、1、2；

其后是可选的参数：

• ksize是Sobel算子的大小，必须为1、3、5、7。如果ksize=-1，那么一个3*3的scharr滤波器会被使用；
• delta是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；
• borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT；

Laplacian算子

拉普拉斯算子是常用的边缘检测算子，它是各向同性的二阶导数。

计算公式卷积核

代码实践

Sobel算子：

# coding=utf-8
import cv2
import numpy as npimg = cv2.imread("/home/wl/1.jpg", 0)x = cv2.Sobel(img, cv2.CV_16S, 1, 0)
y = cv2.Sobel(img, cv2.CV_16S, 0, 1)absX = cv2.convertScaleAbs(x)  # 转回uint8
absY = cv2.convertScaleAbs(y)dst = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)while(1):cv2.imshow("absX", absX)cv2.imshow("absY", absY)cv2.imshow("Result", dst)k = cv2.waitKey(1) & 0XFFif k==ord('q'):break;
cv2.destroyAllWindows()

原图：

效果图：

Laplacian算子：

# coding=utf-8
import cv2
import numpy as npimg = cv2.imread("/home/wl/1.jpg", 0)
laplacian=cv2.Laplacian(img,cv2.CV_64F)
dst = cv2.convertScaleAbs(laplacian) #转回uint8
while(1):cv2.imshow("Result",dst)k = cv2.waitKey(1) & 0XFFif k==ord('q'):break;
cv2.destroyAllWindows()

效果图：

注意点

代码看了的话，会发现我们的sobel函数的第二个参数（数据类型）会换成cv2.CV_16S或cv2.CV_64F，最后再变回uint8。这是因为从黑到白的边界点的导数是正数，而从白到黑是负数，如果还是使用uint8,那么所有的负数都会变为0,即被截断。