原理
OpenCV提供了三种类型的梯度过滤器或者高通滤波器，Sobel，Scharr和Laplacian。
1.Sobel和Scharr 导数
Sobel算子是一个连接高斯平滑和微分运算，所以它更抗噪音，你可以指定求导的方向，垂直的或水平的（参数yorder和xorder)。你也可以指定核的大小ksize，如果ksize=-1，会使用一个3x3的Scharr过滤器，这个的结果要比3x3的sobel过滤器的结果好。
2.拉普拉斯导数
如果通过公式计算图片的拉布拉斯
用Sobel导数找到每个导数，如果ksize=1,下面的核用来过滤：
代码：
下面的代码在一个图里显示了所有算子。核都是5x5的。图片的深度传的是参数-1来得到np.uint8类型。
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('dave.jpg',0)
laplacian = cv2.Laplacian(img,cv2.CV_64F)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)
plt.subplot(2,2,1), plt.imshow(img,cmap='gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2), plt.imshow(laplacian,cmap='gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,3), plt.imshow(sobelx,cmap='gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,4), plt.imshow(sobely,cmap='gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()
结果：
一个重要的问题！
在上一个例子里，输出数据类型是cv2.CV_8U或者np.uint8.但是有一点问题。黑到白的转换是正坡（正值）而白到黑的转换时负坡（负值）。所以当你把数据转换成np.uint8时，所有的负坡变成0.简单说，你会丢掉那些边缘。
如果你想检测两个边缘，更好的选择是让输出数据类型保持高级形式，像cv2.CV_16S，cv2.CV_64F等。用他们的绝对值，然后转换回cv2.CV_8U。下面的代码展示了这个过程，
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('box.png',0)
# Output dtype = cv2.CV_8U
sobelx8u = cv2.Sobel(img,cv2.CV_8U,1,0,ksize=5)
# Output dtype = cv2.CV_64F. Then take its absolute and convert to cv2.CV_8U
sobelx64f = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
abs_sobel64f = np.absolute(sobelx64f)
sobel_8u = np.uint8(abs_sobel64f)
plt.subplot(1,3,1), plt.imshow(img,cmap='gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,2), plt.imshow(sobelx8u,cmap='gray')
plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,3), plt.imshow(sobel_8u,cmap='gray')
plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])
plt.show()
结果:
