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 提供三种类型的梯度滤波器或高通滤波器：Sobel、Scharr 和 Laplacian。我们将分别了解它们。

1. Sobel 和 Scharr 导数

Sobel 算子是联合高斯平滑和微分运算，因此它对噪声更具鲁棒性。您可以指定要获取的导数方向，垂直或水平（分别由参数 yorder 和 xorder 指定）。您还可以通过参数 ksize 指定内核的大小。如果 ksize = -1，则使用 3x3 Scharr 滤波器，它比 3x3 Sobel 滤波器提供更好的结果。请参阅文档以了解所使用的内核。

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，这将导致截断的导数。
dx	x 方向导数的阶数。
dy	y 方向导数的阶数。
ksize	扩展 Sobel 核的大小；它必须是 1、3、5 或 7。
scale	计算出的导数值的可选缩放因子。
delta	在将结果存储到 dst 之前添加到的可选增量值。
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（参见 cv.combinations）。
dx	x 方向导数的阶数。
dy	y 方向导数的阶数。
scale	计算出的导数值的可选缩放因子。
delta	在将结果存储到 dst 之前添加到的可选增量值。
borderType	像素外推方法（参见 cv.BorderTypes）。

试一试

2. 拉普拉斯导数

它计算图像的拉普拉斯算子，由关系式给出：\(\Delta src = \frac{\partial ^2{src}}{\partial x^2} + \frac{\partial ^2{src}}{\partial y^2}\)，其中每个导数都使用 Sobel 导数求得。如果 ksize = 1，则使用以下内核进行滤波

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

我们使用以下函数：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项缩放因子。
delta	在将结果存储到 dst 之前添加到的可选增量值。
borderType	像素外推方法（参见 cv.BorderTypes）。

试一试

一个重要的问题！

在我们的最后一个例子中，输出数据类型是 cv.CV_8U。但这存在一个小问题。黑到白的过渡被视为正斜率（具有正值），而白到黑的过渡被视为负斜率（具有负值）。因此，当您将数据转换为 cv.CV_8U 时，所有负斜率都将变为零。简单来说，您错过了那个边缘。

如果您想检测两个边缘，更好的选择是将输出数据类型保持为某些较高的形式，例如 cv.CV_16S、cv.CV_64F 等，取其绝对值，然后转换回 cv.CV_8U。下面的代码演示了水平 Sobel 滤波器以及结果差异的此过程。