#圖像梯度
(注意都需要cv.convertScaleAbs將得到的有些負(fù)值取絕對值得到正數(shù)，并將數(shù)據(jù)轉(zhuǎn)化到0-255之間，且sobel與Scarr算法中的數(shù)據(jù)位數(shù)都是32位浮點型的)
import cv2 as cv
import numpy as np

def sobel_demo(image):
#注意是32位float數(shù)據(jù)
grad_x = cv.Scharr(image, cv.CV_32F, 1, 0)
grad_y = cv.Scharr(image, cv.CV_32F, 0, 1)
#當(dāng)用sobel算子不能很好的得到邊緣的時候，就可以用Scharr算子，這是加強版的sobel算子，就可以得到
#原圖像不是很明顯的邊緣了
# grad_x =cv.Sobel(image,cv.CV_32F,1,0)
# grad_y =cv.Sobel(image,cv.CV_32F,0,1)
gradx =cv.convertScaleAbs(grad_x)
grady = cv.convertScaleAbs(grad_y)
#cv.imshow("gradx",gradx)
#cv.imshow("grady",grady)
dst = cv.addWeighted(gradx,0.5,grady,0.5,0)
cv.imshow("sobel_demo",dst)

def lapalace_demo(image):
#dst =cv.Laplacian(image,cv.CV_32F)
#dst =cv.convertScaleAbs(dst) 會把dst變成單通道的8位的0-255的圖像
#也可以用filter2D來做拉普拉斯算子
kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]])
dst = cv.filter2D(image,cv.CV_32F,kernel)
dst = cv.convertScaleAbs(dst)
cv.imshow("lapalace",dst)


src = cv.imread("E:/opencv/picture/step.jpg")
cv.imshow("inital_window",src)
#sobel_demo(src)
lapalace_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()
分析：
圖像梯度可以把圖像看成二維離散函數(shù)，圖像梯度其實就是這個二維離散函數(shù)的求導(dǎo)。
一、 Sobel算子是普通一階差分，是基于尋找梯度強度。拉普拉斯算子（二階差分）是基于過零點檢測。通過計算梯度，設(shè)置閥值，得到邊緣圖像。

def sobel_demo(image):
#注意是32位float數(shù)據(jù)
grad_x = cv.Scharr(image, cv.CV_32F, 1, 0)
grad_y = cv.Scharr(image, cv.CV_32F, 0, 1)
#當(dāng)用sobel算子不能很好的得到邊緣的時候，就可以用Scharr算子，這是加強版的sobel算子，就可以得到
#原圖像不是很明顯的邊緣了
# grad_x =cv.Sobel(image,cv.CV_32F,1,0)
# grad_y =cv.Sobel(image,cv.CV_32F,0,1)
gradx = cv.convertScaleAbs(grad_x)
grady = cv.convertScaleAbs(grad_y)
#cv.imshow("gradx",gradx)
#cv.imshow("grady",grady)
dst = cv.addWeighted(gradx,0.5,grady,0.5,0)
cv.imshow("sobel_demo",dst)

1.Sobel算子用來計算圖像灰度函數(shù)的近似梯度。Sobel算子根據(jù)像素點上下、左右鄰點灰度加權(quán)差，在邊緣處達到極值這一現(xiàn)象檢測邊緣。對噪聲具有平滑作用，提供較為精確的邊緣方向信息，邊緣定位精度不夠高。當(dāng)對精度要求不是很高時，是一種較為常用的邊緣檢測方法。
2.Sobel具有平滑和微分的功效。即：Sobel算子先將圖像橫向或縱向平滑，然后再縱向或橫向差分，得到的結(jié)果是平滑后的差分結(jié)果。
Ope