• Sobel算子对应一阶导数
  • Laplace算子对应二阶导数

Sobel算子（Schar）

import cv2 as cv
def sobel_demo(image):
    grad_x = cv.Sobel(image, cv.CV_32F, 1, 0) # 使用CV_32F防止数据溢出
    grad_y = cv.Sobel(image, cv.CV_32F, 0, 1)
    gradx = cv.convertScaleAbs(grad_x) # 取绝对值转到8位
    grady = cv.convertScaleAbs(grad_y)
    cv.imshow('gradient_x', gradx)
    cv.imshow('gradient_y', grady)
    # 合并x, y两个梯度
    addImage = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)
    cv.imshow('add image', addImage)



src = cv.imread('./data/lena.jpg', 1)
sobel_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()




仔细观察三张图不难发现，X方向梯度在Y方向上边缘较为清晰，而Y方向梯度在X方向上边缘较为清晰，合并后的图像则综合了两张图的特征。如果边缘轮廓不清晰或不理想可以考虑用Scarr来计算，结果如下：

Laplace算子

def Laplace_demo(image):
    dst = cv.Laplacian(image, cv.CV_32F)
    laps = cv.convertScaleAbs(dst)
    cv.imshow('Laplace image', laps)

src = cv.imread('./data/lena.jpg', 1)
Laplace_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()

借助filter2D()函数自定义掩模计算Laplace算法

def Laplace_demo(image):
    # dst = cv.Laplacian(image, cv.CV_32F)
    # laps = cv.convertScaleAbs(dst)
    kernel = np.array([[0, 1, 0], [1, -4, 1], [0, 1, 0]])
    dst = cv.filter2D(image, cv.CV_32F, kernel=kernel)
    laps = cv.convertScaleAbs(dst)
    cv.imshow('Laplace image', laps)

src = cv.imread('./data/lena.jpg', 1)
Laplace_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()


几乎上上图一样，改变核为[[1,1,1],[1,-8,1],[1,1,1]]再观察

图像增强了