1 #Sobel算法
 2 #dst =  cv2.sobel(src,depth,dx,dy,ksize)
 3 #depth:深度
 4 #dx和dy分别表示水平和竖直方向
 5 #ksize:sobel的算子大小
 6 #cv2.CV_64F，因为在计算梯度的时候会涉及到负值，如果单纯设置为-1，则会把负值改为0，显然是不符合梯度要求的，
 7 #所以一般设置为cv2.cv_64f返回结果就可以是64位的一个数值，就是[-255, 255]，
 8 #这样如果出现负梯度，我们就把负梯度也保留了
 9 
10 sobelX = cv2.Sobel(img,cv2.CV_64F,1,0,3)
11 #白->黑是正数 相反是负数，会被截断为0  ，此时我们再用cv2.convertScaleAbs()函数把负梯度变正，就是我们的边缘信息了
12 sobelX = cv2.convertScaleAbs(sobelX)
13 Cv_Show('SobelX Picture',sobelX)
14 
15 #sobelY同理
16 sobelY = cv2.Sobel(img,cv2.CV_64F,0,1,3)
17 sobelY = cv2.convertScaleAbs(sobelY)
18 Cv_Show('SobelY Picture',sobelY)
19 
20 #将sobelX 和 sobelY通过cv2.addweighted()综合
21 sobelXY = cv2.addWeighted(sobelX, 0.5, sobelY, 0.5, 0)
22 Cv_Show('SobelXY Picture',sobelXY)
23 
24 #如果直接求和 效果将会变差 出现重影等现象 故不建议
25 dirXY = cv2.Sobel(img,cv2.CV_64F,1,1,3)
26 dirXY = cv2.convertScaleAbs(dirXY)
27 Cv_Show('DirXY Picture',dirXY)

1 #思想与sobel相同但是数值更大，相比于sobel对边缘更加敏感
2 scharrX = cv2.Scharr(img,cv2.CV_64F,1,0)
3 scharrY = cv2.Scharr(img,cv2.CV_64F,0,1)
4 scharrX = cv2.convertScaleAbs(scharrX)
5 scharrY = cv2.convertScaleAbs(scharrY)
6 scharrXY = cv2.addWeighted(scharrX,0.5,scharrY,0.5 ,0)
7 Cv_Show('Scharr Picture',scharrXY)

#Laplacian算子
##Sobel算子和Scharr算子相当于一阶导，而Laplacian算子则涉及了二阶导，但受噪音影响比较大,不建议直接使用 需要和其他工具配合
laplacian = cv2.Laplacian(img,Cv_Show)
laplacian = cv2.convertScaleAbs(laplacian)
Cv_Show('laplacian Picture',laplacian)

1 res = np.hstack((sobelXY,scharrXY,laplacian))
2 Cv_Show('Sobel Scharr Laplacian Picture',res)