目标

查找图像梯度、边缘等
我们将学习以下函数：cv.Sobel()、cv.Scharr()、cv.Laplacian() 等

理论

OpenCV 提供三种梯度滤波器或高通滤波器，即 Sobel、Scharr 和拉普拉斯。我们来逐一了解一下。

1. Sobel 和 Scharr 导数

Sobel 算子是高斯平滑加微分运算的组合，因此对噪声有更强的抵抗力。你可以通过参数 yorder 和 xorder 确定导数的方向（分别是垂直或水平）。你还可以通过参数 ksize 来指定内核的大小。如果 ksize = -1，则会使用 3x3 Scharr 滤波器，其效果比 3x3 Sobel 滤波器更好。请参阅文档了解使用的内核。

我们使用以下函数：cv.Sobel (src, dst, ddepth, dx, dy, ksize = 3, scale = 1, delta = 0, borderType = cv.BORDER_DEFAULT)

参数

src	输入图像。
dst	与 src 大小和通道数相同的输出图像。
ddepth	输出图像深度（参见 cv.combinations）；对于 8 位输入图像，它将生成截断的导数。
dx	x 导数的阶数。
dy	y 导数的阶数。
ksize	扩展 Sobel 核的大小；它必须为 1、3、5 或 7。
scale	用于计算的导数值的可选缩放因子。
delta	存储在 dst 之前添加到结果中的可选增量值。
borderType	像素外推方法（参见 cv.BorderTypes）。

cv.Scharr（src，dst，ddepth，dx，dy，scale = 1，delta = 0，borderType = cv.BORDER_DEFAULT）

参数

src	输入图像。
dst	与 src 大小和通道数相同的输出图像。
ddepth	输出图像深度（请参阅 cv.combinations）。
dx	x 导数的阶数。
dy	y 导数的阶数。
scale	用于计算的导数值的可选缩放因子。
delta	存储在 dst 之前添加到结果中的可选增量值。
borderType	像素外推方法（参见 cv.BorderTypes）。

试用

2. 拉普拉斯导数

它计算出图像的拉普拉斯，公式为：\(\Delta src = \frac{\partial ^2{src}}{\partial x^2} + \frac{\partial ^2{src}}{\partial y^2}\)，其中每个导数都使用 Sobel 导数计算。如果 ksize = 1，那么将使用以下核进行滤波

\[kernel = \begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{bmatrix}\]

我们使用此函数：cv.Laplacian（src，dst，ddepth，ksize = 1，scale = 1，delta = 0，borderType = cv.BORDER_DEFAULT）

参数

src	输入图像。
dst	与 src 大小和通道数相同的输出图像。
ddepth	输出图像深度。
ksize	用于计算二阶导数滤波器的孔径大小。
scale	计算出的拉普拉斯值的可选缩放因子。
delta	存储在 dst 之前添加到结果中的可选增量值。
borderType	像素外推方法（参见 cv.BorderTypes）。

试用

一件重要的事！

在我们的最后一个示例中，输出数据类型是 cv.CV_8U。但这存在一些小问题。黑色到白色转换视为正斜率（具有正值），而白色到黑色转换则视为负斜率（具有负值）。因此，当您将数据转换为 cv.CV_8U 时，所有负斜率都变为零。从简单的角度来说，您错过了该边缘。

如果您想检测两个边缘，更好的选择是将输出数据类型保留为一些较高的形式，如 cv.CV_16S, cv.CV_64F 等，取其绝对值，然后转换回 cv.CV_8U。以下代码演示了水平 Sobel 滤波器和结果差异的此过程。