Sobel算子是高斯平滑加微分运算的联合运算，因此它更抗噪声。你可以指定要采用的导数方向，垂直或水平（分别通过参数yorder和xorder）。你还可以通过参数ksize指定内核的大小。如果ksize = -1 ，则使用3x3 Scharr滤波器，比3x3 Sobel滤波器具有更好的结果。请参阅文档以了解所使用的内核。

14.2.2 Laplacian算子

它计算了由关系给出的图像的拉普拉斯图,它是每一阶导数通过Sobel算子计算。如果ksize = 1 ,然后使用以下内核用于过滤：

14.3 代码

下面的代码显示了单个图表中的所有算子。所有内核都是5x5大小。输出图像的深度通过-1得到结果的np.uint8 型。

import cv2 as cv
import matplotlib.pyplot as plt
img = cv.imread('test.jpg', 0)
laplacian = cv.Laplacian(img, cv.CV_64F, ksize=5)
sobel_x = cv.Sobel(img, cv.CV_64F, 1, 0, ksize=5)
sobel_y = cv.Sobel(img, cv.CV_64F, 0, 1, ksize=5)
images = [img, laplacian, sobel_x, sobel_y]
titles = ['Original', 'Laplacian', 'Sobel X', 'Sobel Y']
for i in range(2):
    plt.subplot(2, 2, i * 2 + 1), plt.imshow(images[i * 2], cmap='gray')
    plt.title(titles[i * 2]), plt.xticks([]), plt.yticks([])
    plt.subplot(2, 2, i * 2 + 2), plt.imshow(images[i * 2 + 1], cmap='gray')
    plt.title(titles[i * 2 + 1]), plt.xticks([]), plt.yticks([])
plt.show()

运行结果如下：

编辑

14.4 一个重要事项

在我们的最后一个示例中，输出数据类型为cv.CV_8U 或np.uint8 。但这有一个小问题。黑色到白色的过渡被视为正斜率（具有正值），而白色到黑色的过渡被视为负斜率（具有负值）。因此，当您将数据转换为np.uint8时，所有负斜率均设为零。简而言之，您会错过这一边缘信息。

如果要检测两个边缘，更好的选择是将输出数据类型保留为更高的形式，例如cv.CV_16S, cv.CV_64F 等，取其绝对值，然后转换回cv.CV_8U 。下面的代码演示了用于水平Sobel滤波器和结果差异的此过程。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('box.jpg', 0)
# 输出类型为cv.CV_8U
sobel_x_8U = cv.Sobel(img, cv.CV_8U, 1, 0, ksize=5)
# 输出类型为cv.CV_64F,然后取它的绝对值，转换成cv.CV_8U
sobel_x_64F = cv.Sobel(img, cv.CV_64F, 1, 0, ksize=5)
abs_sobel_x_64F = np.absolute(sobel_x_64F)  # 取绝对值
abs_64F_sobel_x_8U = np.uint(abs_sobel_x_64F)  # 转换成cv.CV_8U
plt.subplot(1, 3, 1), plt.imshow(img, cmap='gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 3, 2), plt.imshow(sobel_x_8U, cmap='gray')
plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 3, 3), plt.imshow(abs_64F_sobel_x_8U, cmap='gray')
plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])
plt.show()