本文主要內容來自于 OpenCV-Python 教程 的 OpenCV 中的圖像處理 部分，這部分的全部主要內容如下：
-
學習在不同色彩空間之間改變圖像。另外學習跟蹤視頻中的彩色對象。
-
學習對圖像應用不同的幾何變換，比如旋轉、平移等。
-
學習使用全局閾值、自適應閾值、Otsu 的二值化等將圖像轉換為二值圖像。
-
學習模糊圖像，使用自定義內核過濾圖像等。
-
了解形態學變換，如侵蝕、膨脹、開放、閉合等。
-
學習尋找圖像漸變、邊緣等。
-
學習通過 Canny 邊緣檢測尋找邊緣。
-
學習關于圖像金字塔的內容，以及如何使用它們進行圖像混合。
-
所有關于 OpenCV 中的輪廓的內容。
-
所有關于 OpenCV 中的直方圖的內容。
-
在 OpenCV 中遇到不同的圖像變換，如傅里葉變換、余弦變換等。
-
學習使用模板匹配在圖像中搜索對象。
-
學習在一幅圖像中探測線。
-
學習在一幅圖像中探測圓。
-
學習使用分水嶺分割算法分割圖像。
-
學習使用 GrabCut 算法提取前景
目標
在本章中，我們將學習：
- 尋找圖像的漸變，邊緣等。
- 我們將看下如下的函數： cv.Sobel()，cv.Scharr()，cv.Laplacian() 等等。
理論
OpenCV 提供了三種類型的漸變濾波器或高通濾波器，Sobel、Scharr 和 Laplacian。我們將看下它們中的每一個。
1. Sobel 和 Scharr 導數
Sobel 算子是聯合高斯平滑加微分運算，所以抗噪聲能力更強。我們可以指定要采用的導數方向，垂直或水平（分別通過參數 yorder 和 xorder）。你也可以通過參數 ksize 指定內核的大小。如果 ksize = -1，則將使用一個 3x3 Scharr 濾波器，相對于 3x3 Sobel 濾波器它能給出更好的結果。請參考所使用的內核的文檔。
2. Laplacian 導數
它計算由關系 給出的圖像的拉普拉斯算子，其中每個導數都是使用 Sobel 導數找到的。如果
ksize = 1，則將使用如下的內核用于濾波
代碼
下面的代碼在一幅圖中展示了所有這些操作。所有的內核都是 5x5 大小的。輸出圖像的深度傳入 -1，以獲得 np.uint8 類型的結果。
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
def image_gradients():
cv.samples.addSamplesDataSearchPath("/media/data/my_multimedia/opencv-4.x/samples/data")
img = cv.imread(cv.samples.findFile('sudoku.png'), 0)
print(img.shape)
img = cv.resize(img, (359, 361))
laplacian = cv.Laplacian(img, cv.CV_64F)
sobelx = cv.Sobel(img, cv.CV_64F, 1, 0, ksize=5)
sobely = cv.Sobel(img, cv.CV_64F, 0, 1, ksize=5)
cv.imshow("Original", img)
cv.imshow("Laplacian", laplacian)
cv.imshow("Sobel X", sobelx)
cv.imshow("Sobel Y", sobely)
cv.waitKey(-1)
cv.destroyAllWindows()
if __name__ == "__main__":
image_gradients()
結果如下：
一個重要的問題
在我們的上一個例子中，輸出數據類型是 cv.CV_8U 或 np.uint8。但這有一個小問題。黑色到白色的過渡被視為正斜率（它具有正值），而白色到黑色的過渡被視為負斜率（它具有負值）。因此當你將數據轉為 np.uint8 時，所有的負斜率都被設置為了 0。簡單來說，就是丟失了邊緣。
如果我們想要探測兩個邊緣，更好的選項是保持輸出數據類型為一些更高的形式，比如 cv.CV_16S，cv.CV_64F 等等，取它的絕對值，然后將它轉回 cv.CV_8U。下面的代碼演示了水平 Sobel 濾波器的此過程和結果差異。
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
def image_gradients2():
img = np.zeros((600, 600))
cv.rectangle(img, (150, 100), (450, 500), (255), -1)
# Output dtype = cv.CV_8U
sobelx8u = cv.Sobel(img, cv.CV_8U, 1, 0, ksize=5)
# Output dtype = cv.CV_64F. Then take its absolute and convert to cv.CV_8U
sobelx64f = cv.Sobel(img, cv.CV_64F, 1, 0, ksize=5)
abs_sobel64f = np.absolute(sobelx64f)
sobel_8u = np.uint8(abs_sobel64f)
plt.subplot(1, 3, 1), plt.imshow(img, cmap='gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 3, 2), plt.imshow(sobelx8u, cmap='gray')
plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 3, 3), plt.imshow(sobel_8u, cmap='gray')
plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])
plt.show()
if __name__ == "__main__":
image_gradients2()
檢查結果如下：
其它資源
練習
參考文檔
Done.
