- 學習圖像梯度，圖像邊界等
梯度簡單來說就是求導。
OpenCV提供了三種不同的梯度濾波器，或者說高通濾波器：Sobel，Scharr和Lapacian。Sobel，Scharr其實就是求一階或二階導。Scharr是對Sobel的部分優化。Laplacian是求二階導。
1.Sobel算子和Scharr算子
Sobel算子是高斯平滑和微分操作的結合體，所以他的抗噪聲能力很好。你可以設定求導的方向（xorder 或 yorder）。還可以設定使用的卷積核大小（ksize）。當ksize=-1時，會使用3*3 的Scharr濾波器，他的效果要比3*3的Sobel濾波器好，而且速度相同，所以在使用3*3濾波器時應該盡量使用Scharr濾波器（一般就用Sobel算子即可）。3*3 的 Scharr濾波器卷積核如下所示：
2.Laplacian算子
拉普拉斯算子可以使用二階導數的形式定義，可假設其離散實現類似於二階Sobel導數。事實上，OpenCV在計算拉普拉斯算子時直接調用Sobel算子，具體計算公式如下：
拉普拉斯濾波器使用的卷積核：
下面的例程將展示三種濾波器對同一副圖像進行操作產生的效果，其使用的卷積核大小都是5*5的
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('7.png',0)
laplacian = cv2.Laplacian(img,cv2.CV_64F)#注意這里的depth參數！
#cv2.CV_64F 輸出圖像的深度（數據類型），可以使用-1，與原圖像保持一致
sobelx = cv2.Sobel(img, cv2.CV_64F,1,0,ksize=5)
#參數1,0表示在x方向求一階導數，最大可以求2階導數
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)
#同理0,1表示在y方向求一階導數，最大可以求二階導數
plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()
書上的例圖更為明顯的表現出區別：
這里解釋為什么要用cv2.CV_64F,當使用-1（或者cv2.CV_8U）（與原圖深度（數據類型）保持一致）時，輸出的圖像如下
laplacian 
sobelx 
想象一下一個從黑到白的邊界的導數し整數，而一個從白到黑的邊界點的導數卻是負數。如果原圖像的深度是np.int8時，所有的負值都會截斷成為0，換句話說就是把邊界丟失掉了。因此如果想把兩種邊界都檢測到，最好的辦法就是將輸出的數據類型設置到更高，如cv2.CV_16S,cv2.CV_64F等，取絕對值然后再把它轉回到cv2.CV_8U（即把本來為負的部分轉為正的，在轉回uint8便可以顯示）