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。
Sobel算子是普通一阶差分，是基于寻找梯度强度。拉普拉斯算子（二阶差分）是基于过零点检测。通过计算梯度，设置阀值，得到边缘图像。
各种算子的原理可参考：https://blog.csdn.net/poem_qianmo/article/details/25560901
Code
import cv2 as cv
import numpy
def laplace_demo(image):
# dst = cv.Laplacian(image, cv.CV_32F)
# lpls = cv.convertScaleAbs(dst)
kernel = numpy.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]])
dst = cv.filter2D(image, cv.CV_32F, kernel=kernel)
lpls = cv.convertScaleAbs(dst)
cv.imshow("laplace_demo", lpls)
def sobel_demo(image):
grad_x = cv.Sobel(image, cv.CV_32F, 1, 0)
grad_y = cv.Sobel(image, cv.CV_32F, 0, 1)
gradx = cv.convertScaleAbs(grad_x)
grady = cv.convertScaleAbs(grad_y)
cv.imshow("gradient_x", gradx)
cv.imshow("gradient_y", grady)
gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)
cv.imshow("gradient", gradxy)
src = cv.imread("./data/lena.jpg", cv.IMREAD_COLOR)
cv.namedWindow("lena", cv.WINDOW_AUTOSIZE)
cv.imshow("lena", src)
# sobel_demo(src)
laplace_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()
运行结果
Sobel算子.png
1.Sobel算子用来计算图像灰度函数的近似梯度。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。
2.Sobel具有平滑和微分的功效。即：Sobel算子先将图像横向或纵向平滑，然后再纵向或横向差分，得到的结果是平滑后的差分结果。
Sobel函数原型为：Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst
src参数表示输入需要处理的图像。
ddepth参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。
具体组合如下：
src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F （一般源图像都为CV_8U，为了避免溢出，一般ddepth参数选择CV_32F）
src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F
src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F
src.depth() = CV_64F, 取ddepth = -1/CV_64F
注：ddepth =-1时，代表输出图像与输入图像相同的深度。
dx参数表示x方向上的差分阶数，1或0 。
dy参数表示y 方向上的差分阶数，1或0 。
dst参数表示输出与src相同大小和相同通道数的图像。
ksize参数表示Sobel算子的大小，必须为1、3、5、7。
scale参数表示缩放导数的比例常数，默认情况下没有伸缩系数。
delta参数表示一个可选的增量，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表示判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT
Sobel原理参考：https://www.cnblogs.com/lancidie/archive/2011/07/17/2108885.html
2.convertScaleAbs函数使用线性变换转换输入数组元素成8位无符号整型。函数原型：convertScaleAbs(src[, dst[, alpha[, beta]]]) -> dst
src参数表示原数组。
dst参数表示输出数组 (深度为 8u)。
alpha参数表示比例因子。
beta参数表示原数组元素按比例缩放后添加的值。
3.addWeighted函数是计算两个数组的加权和。函数原型：addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) -> dst
src1参数表示需要加权的第一个输入数组。
alpha参数表示第一个数组的权重。
src2参数表示第二个输入数组，它和第一个数组拥有相同的尺寸和通道数。
beta参数表示第二个数组的权重。
gamma参数表示一个加到权重总和上的标量值。
dst参数表示输出的数组，它和输入的两个数组拥有相同的尺寸和通道数。
dtype参数表示输出数组的可选深度。当两个输入数组具有相同的深度时，这个参数设置为-1（默认值），即等同于src1.depth（）。
Laplacian函数原型为：Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst
src参数表示输入需要处理的图像。
ddepth参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。
具体组合如下：
src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F （一般源图像都为CV_8U，为了避免溢出，一般ddepth参数选择CV_32F）
src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F
src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F
src.depth() = CV_64F, 取ddepth = -1/CV_64F
注：ddepth =-1时，代表输出图像与输入图像相同的深度。
dst参数表示输出与src相同大小和相同通道数的图像。
ksize参数表示用于计算二阶导数滤波器的孔径大小，大小必须是正数和奇数。
scale参数表示计算拉普拉斯算子值的比例因子，默认情况下没有伸缩系数。
delta参数表示一个可选的增量，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表示判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
补：
这里ksize参数默认值为1，此时Laplacian()函数采用以下3x3的孔径：
image
补：
可定义为
1 1 1
1 -8 1
1 1 1
网友评论