09. 算子（索贝尔、沙尔、拉普拉斯算子）

1. 索贝尔(sobel)算子

前面的各种滤波，可以视为低通滤波，后面的各种算子可以视为高通滤波，区别：前面的滤波都是降噪的，算子都是来找图像边界、边缘的。索贝尔算子模拟一阶求导，倒数越大的地方说明变换越剧烈，越有可能是边缘。
Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])

• ddepth 一般写-1，如果使用cv的写法的话，就是cv2.CV_64F
• dx 设置为1，表示求X方向的梯度
• ksize 是一个数字
• sobel算子必须分开计算x，y轴，不然的话效果很差

import cv2
import numpy as np
img = cv2.imread('./bg.jpg')
dx = cv2.Sobel(img, cv2.CV_64F, dx=1, dy=0, ksize=3)
# 计算y轴方向的梯度，只有水平方向的边缘
dy = cv2.Sobel(img, cv2.CV_64F, dx=0, dy=1, ksize=3)
# dst = cv2.add(dx, dy)  或以下写法
dst = cv2.addWeightd(dx, 0.5, dy, 0.5, gamma=0)

import cv2
import numpy as np

# 卷积
bg = cv2.imread('images/pau3W8ytsv.jpg')
print(bg.shape)
cv2.namedWindow('image', cv2.WINDOW_NORMAL)
cv2.resizeWindow('image', 800, 375)

# dx = cv2.Sobel(bg, -1, dx=1, dy=0, ksize=3)
# dy = cv2.Sobel(bg, -1, dx=0, dy=1, ksize=3)
# 这种写法和上面的写法是一样的，这些算子，就是通过不同的卷积核来实现的
kx = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]], np.float32)
ky = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]], np.float32)
dx = cv2.filter2D(bg, -1, kx)
dy = cv2.filter2D(bg, -1, ky)

print(dx.shape, dx.dtype)
print(dy.shape, dy.dtype)
dst = cv2.add(dx, dy)

cv2.imshow('image', bg)
cv2.imshow('dst', dst)

cv2.waitKey(0)
cv2.destroyAllWindows()

2. 沙尔(Scharr)算子

Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]])

• 当内核大小为3时，以上Sobel内核可能产生比较明显的误差，毕竟Sobel算子只是求取了倒数的近似值，为解决这一问题，提供了沙尔函数，但该函数仅作用于大小为3的内核。该函数的运算与Sobel函数一样快，但结果却更加精确
• Scharr算子核Sobel很类似，只不过使用不同的kernel值，放大了像素变换的情况
  
• Scharr算子只支持3*3的kernel，所以没有了kernel参数了；
• Scharr算子只能求x方向或y方向的边缘；
• Sobel算子的ksize设置为-1就是Scharr算子；
• Scharr擅长寻找细小的边缘，一般用的较少；

3. 拉普拉斯算子

原理：在一阶导数上，在求导，二阶导数为0，利用这一特性去寻找图像的边缘

• Laplacian(src, ddpth[, dst[, ksize[, scale[, delta[, borderType]]]]])
• ksize 是一个数字

标签：Sobel,09,cv2,ksize,dx,dy,算子,沙尔
来源： https://www.cnblogs.com/TheoryDance/p/16407100.html