5月30 ：图像梯度和边缘检测

一：图像梯度
1：sobel算子
https://blog.csdn.net/wzyaiwl/article/details/81274930
import cv2 as cv
import numpy as np
img1=cv.imread(“D:/OPen CV/pie.png”)
sobelx=cv.Sobel(img1,cv.CV_64F,1,0,ksize=5)
cv.imshow(“sobelx”,sobelx)
cv.waitKey(0)
cv.destroyAllWindows()
注意：各个参数
第一个参数是需要处理的图像；
第二个参数是图像的深度（数据类型），-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。如果ksize=-1，那么一个33的scharr滤波器会被使用；
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；
但是结果只出现一半的圆
白到黑是正数，黑到白是负数，所有的负数都会被截断为0，所以要取绝对值
sobelx=cv.convertScaleAbs(sobelx)
第一步：先求出sobelX的坐标：是1,0
sobelx=cv.Sobel(img1,cv.CV_64F,1,0,ksize=5)
sobelx=cv.convertScaleAbs(sobelx)
cv.imshow(“sobelx”,sobelx)
第二步：再求sobelY的值
sobely=cv.Sobel(img1,cv.CV_64F,0,1,ksize=5)
sobely=cv.convertScaleAbs(sobely)
cv.imshow(“sobely”,sobely)
第三部：计算x和Y的和
addWeighted(src1, alpha, src2, beta, gamma, dst=None, dtype=None)
alpha：第一幅图像中元素的权值
beta：第二幅图像的权值
gamma：加到最终结果上的值***注意最后一个参数：0一定要写上，要不然报错
sobelxy=cv.addWeighted(sobelx,0.5,sobely,0.5,0)
cv.imshow(“sobelxy”,sobelxy)
二：scharr算子
scharrx=cv.Scharr(img1,cv.CV_64F,1,0)
scharrx=cv.convertScaleAbs(scharrx)
cv.imshow(“scharrx”,scharrx)
scharry=cv.Scharr(img1,cv.CV_64F,0,1)
scharry=cv.convertScaleAbs(scharrx)
cv.imshow(“scharry”,scharry)
scharrxy=cv.addWeighted(scharrx,0.5,scharry,0.5,0)
scharrxy=cv.convertScaleAbs(scharrxy)
cv.imshow(“scharrxy”,scharrxy)

3.sobel和scharr算子比较

前面说了，两种算子的原理是一样的，只是卷积核不一样，从而造成的准确度的差距。

sobel算子的卷积核是：

scharr算子的卷积核是：

三：laplacian算子
不需要进行X，Y的计算
laplacian=cv.Laplacian(img1,cv.CV_64F)
cv.imshow(“laplacian”,laplacian)