圖像梯度原理：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Laplacian。Sobel和Scharr是求一階或二階導數。Scharr是對Sobel（使用小的卷積核求解梯度角度時）的優化，Laplacian是求二階導數。 1.Sobel算子和Scharr算子 Sobel算子是高斯平滑與微分操作的結合體，它的抗噪音能力很好。可以設定求導的方向（xorder或yorder）。還可以設定使用的卷積核的大小（ksize），如果ksize=-1，會使用3x3的Scharr濾波器，效果會更好，若速度相同，在使用3x3濾波器時盡量使用Scharr。 3x3的Scharr濾波器卷積核如下： X方向 | -3 | 0 | 3 | | --- | --- | --- | | -10 | 0 | 10 | | -3 | 0 | 3 | Y方向 | -3 | -10 | -3 | | --- | --- | --- | | 0 | 0 | 0 | | 3 | 10 | 3 | 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于二階Sobel導數，事實上OpenCV在計算拉普拉斯算子時直接調用Sobel算子。 拉普拉斯濾波器使用的卷積核：  示例：用以上三種濾波器對同一幅圖像進行操作，卷積核使用為5x5。 ~~~ import cv2 import numpy from matplotlib import pyplot as plt img = cv2.imread('1024.jpg',0) laplacian = cv2.Laplacian(img,cv2.CV_64F) sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5) sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5) 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() ~~~  **一個重要的事！** 當我們可以通過參數-1來設定輸出圖像的深度（數據類型）與原圖像保持一致，但是我們在代碼中使用的卻是cv2.CV_64F。這是為什么？想象一下一個從黑到白的邊界的導數是正數，而一個從白到黑的邊界的導數卻是負數。如果原圖像的深度是np.int8時，所有的負值都會被截斷變成0。換句話就是把邊界丟失掉。 所以如果這兩種邊界你都想檢測到，最好的辦法就是將輸出的數據類型設置的更高，比如cv2.CV_16S等，取絕對值然后再把它轉回到cv2.CV_8U。