opencv教程（基于python）----边缘检测

这一节主要讲的是关于图象的边缘检测。先说一下一个基本的概念图象梯度：可以把图象看成关于像素的离散二元函数，所谓梯度其实就是图象的导数。由于图象在边界的像素变化剧烈所以，在导数上格外明显了。

图象梯度

梯度简单来说就是求导，而opencv提供理论三种梯度滤波器：Sobel，Scharr，和Laplacian。
前两个是求一阶或者二阶导数，scharr是对sobel的优化。laplacian是求二阶导数的。

cv2.Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None)

src是输入的图像；ddepth是输出图像的深度（数据类型），-1代表和原图像一致，一般为了检测的效果更好，我们把数据类型设置的更高；dx代表是否在x方向求导，0不求，1求；dy同上；剩下的可以不管。

cv2.Laplacian(src, ddepth, dst=None, ksize=None, scale=None, delta=None, borderType=None)

这里的两个参数和上面那个函数的使用一样，我不多说。
来看一下例子。

mport cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('C:/Users/dell/Desktop/cos.jpg',0)
laplacian=cv2.Laplacian(img,cv2.CV_64F)
#对图象在x方向求导
sobelx=cv2.Sobel(img,cv2.CV_64F,1,