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 提供了三种类型的梯度滤波器或高通滤波器，Sobel、Scharr 和 Laplacian。我们将逐一了解它们。

1. Sobel 和 Scharr 导数

Sobel 算子是一种联合高斯平滑加微分运算，因此它对噪声的抵抗力更强。您可以指定要取的导数的方向，垂直或水平（分别通过参数 yorder 和 xorder）。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，其结果比 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）；在 8 位输入图像的情况下，将导致截断的导数。
dx	导数 x 的阶数。
dy	导数 y 的阶数。
ksize	扩展 Sobel 核的大小；它必须是 1、3、5 或 7。
scale	计算的导数值的可选比例因子。
delta	可选的 delta 值，该值在存储到 dst 中之前添加到结果中。
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	导数 x 的阶数。
dy	导数 y 的阶数。
scale	计算的导数值的可选比例因子。
delta	可选的 delta 值，该值在存储到 dst 中之前添加到结果中。
borderType	像素外推方法（参见 cv.BorderTypes）。

尝试一下

2. Laplacian 导数

它计算图像的拉普拉斯算子，由关系式 \(\Delta src = \frac{\partial ^2{src}}{\partial x^2} + \frac{\partial ^2{src}}{\partial y^2}\) 给出，其中每个导数都使用 Sobel 导数找到。如果 ksize = 1，则以下内核用于滤波

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

我们使用函数：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	计算的拉普拉斯值的可选比例因子。
delta	可选的 delta 值，该值在存储到 dst 中之前添加到结果中。
borderType	像素外推方法（参见 cv.BorderTypes）。

尝试一下

一个重要的事项！

在我们的最后一个示例中，输出数据类型是 cv.CV_8U。但是这有一个小问题。从黑色到白色的过渡被视为正斜率（它具有正值），而从白色到黑色的过渡被视为负斜率（它具有负值）。因此，当您将数据转换为 cv.CV_8U 时，所有负斜率都会变为零。简单来说，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持为更高的形式，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 滤波器的这个过程和结果的差异。