1. cv2.Scharr(src，ddepth, dx, dy)， 使用Scharr算子进行计算
参数说明：src表示输入的图片，ddepth表示图片的深度，通常使用-1， 这里使用cv2.CV_64F允许结果是负值， dx表示x轴方向算子，dy表示y轴方向算子
2.cv2.laplacian(src， ddepth) 使用拉普拉斯算子进行计算
参数说明: src表示输入的图片，ddepth表示图片的深度，这里使用cv2.CV_64F允许结果是负值
scharr算子， 从图中我们可以看出scharr算子，比sobel算子在比例上要更大，因此这样的好处是scharr算子获得的结果能体现出更多的边缘梯度的细节
laplacian 算子，从图中可以看出当前点的位置与周围4个点位置之差， 即周围四个点之和 - 4*当前位置像素点，这种算法容易受到噪声点的干扰，不存在x和y轴的计算过程
代码：
第一步： 载入图片，使用cv2.IMREAD_GRAYSCALE，读入的图片为灰度图
第二步：使用cv2.Sobel获得合并的sobel算子运算结果
第三步：使用cv2.Scharr获得合并的scharr算子梯度运算结果
第四步：使用cv2.laplacian算子获得拉普拉斯算子梯度运算结果
第五步：对3个结果进行最终的画图操作
import cv2 import numpy as np # 第一步读取图片 lena = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE) cv2.imshow('lena', lena) cv2.waitKey(0) cv2.destroyAllWindows()
读入的黑白原始图片
# 第二步：使用cv2.sobel进行sobel算子计算 sobel_x = cv2.Sobel(lena, cv2.CV_64F, 1, 0) sobel_y = cv2.Sobel(lena, cv2.CV_64F, 0, 1) sobel_x = cv2.convertScaleAbs(sobel_x) sobel_y = cv2.convertScaleAbs(sobel_y) sobel_xy = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0) # 第三步：使用cv2.scharr进行scharr算子计算 scharr_x = cv2.Scharr(lena, cv2.CV_64F, 1, 0) scharr_y = cv2.Scharr(lena, cv2.CV_64F, 0, 1) scharr_x = cv2.convertScaleAbs(scharr_x) scharr_y = cv2.convertScaleAbs(scharr_y) scharr_xy = cv2.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0) # 第四步： 使用cv2.laplacian 拉普拉斯算子计算 lapkacian = cv2.Laplacian(lena, cv2.CV_64F) lapkacian = cv2.convertScaleAbs(lapkacian) # 第五步： 对三种结果进行画图 cv2.imshow('imgs', np.hstack((sobel_xy, scharr_xy, lapkacian))) cv2.waitKey(0) cv2.destroyAllWindows()
可以看出使用sobel算子的轮廓要更清晰，scharr算子的轮廓的细节更多，laplacian获得的结果边缘信息较浅
