Python与open CV联合实现sobel算子与拉普拉斯边缘检测算子源码

源码附上;
Sobel算子 cv2.Sobel()函数
一般格式如下：
dstt = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
一般如此：
x = cv2.Sobel(img,cv2.CV_16S,1,0)
用法说明：
src参数是需要处理的图像；
ddepth参数是图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度；
dx和dy表示的是求导的阶数，0表示这个方向上没有求导，一般为0、1、2。

其后是可选的参数：

ksize是Sobel算子的大小，必须为1、3、5、7。
scale是缩放导数的比例常数，默认情况下没有伸缩系数；
delta是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；
borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
Sobel算子是高斯平滑与微分操作的结合体，所以它的抗噪声能力很好，可以设定求导的方向（xorder 或 yorder），还可以设定使用的卷积核的大小（ksize），如果 ksize=-1，会使用 3x3 的 Scharr 滤波器，它的的效果要比 3x3 的 Sobel 滤波器好（而且速度相同，所以在使用 3x3 滤波器时应该尽量使用 Scharr 滤波器）。

#coding=utf-8

import cv2
import numpy as np

# img = cv2.imread(r"W:/PY/WDPY/ceshig/sswhd (3).jpg")
img = cv2.imread(r"W:\PY\WDPY\huidu\sswhd (6).jpg", 0)

x = cv2.Sobel(img,cv2.CV_16S,1,0)
y = cv2.Sobel(img,cv2.CV_16S,0,1)
absX = cv2.convertScaleAbs(x) # 转回uint8
absY = cv2.convertScaleAbs(y)
dst = cv2.addWeighted(absX,0.5,absY,0.5,0)
cv2.imshow("absX", absX)
cv2.imshow("absY", absY)
cv2.imshow("Result", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果如图展示：

同理，在opencv-python中，Laplacian算子的主函数代码为;
cv2.Laplacian(img,cv2.CV_16S,ksize = 3)

参数的含义类似于sobel算子。

精简版Laplace算子源码：

import cv2
import numpy as np

img = cv2.imread(r"W:\PY\WDPY\huidu\sswhd (6).jpg", 0)

gray_lap = cv2.Laplacian(img,cv2.CV_16S,ksize = 3)
dst = cv2.convertScaleAbs(gray_lap)
cv2.imshow('laplacian',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imshow("Result", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()