opencv图像梯度Sobel，Scharr 和 Laplacian

'''
梯度滤波器（高通滤波器）：Sobel，Scharr 和 Laplacian

Sobel，Scharr 其实就是求一阶或二阶导数。
Scharr 是对 Sobel（使用小的卷积核求解求解梯度角度时）的优化

Laplacian 是求二阶导数。

Sobel 算子是高斯平滑与微分操作的结合体，所以它的抗噪声能力很好
如果 ksize=-1，会使用 3x3 的 Scharr 滤波器
它的的效果要比 3x3 的 Sobel 滤波器好
（而且速度相同，所以在使用 3x3 滤波器时应该尽量使用 Scharr 滤波器）

事实上，OpenCV 在计算拉普拉斯算子时直接调用 Sobel 算子
'''


import cv2

cv2.namedWindow('img')
def nothing(x):
    pass
cv2.createTrackbar('ksize:  3+2*i   i=','img',0,10,nothing)

img=cv2.imread('1.jpg',0)
#cv2.CV_64F 输出图像的深度（数据类型），可以使用 -1, 与原图像保持一致 np.uint8
while cv2.waitKey(1)!=27:
    k=cv2.getTrackbarPos('ksize:  3+2*i   i=','img')*2+3
    
    #可以通过参数 -1 来设定输出图像的深度（数据类型）与原图像保持一致
    #但是在代码中使用的却是 cv2.CV_64F
    #从黑到白的边界的导数是整数，而从白到黑的边界点导数却是负数
    #如果原图像的深度是np.int8 时，所有的负值都会被截断变成 0
    #即：把边界丢失掉
    
    #如果这两种边界都想检测到，最好的的办法就是将输出的数据类型设置的更高，
    #比如 cv2.CV_16S，cv2.CV_64F 等。取绝对值然后再把它转回到 cv2.CV_8U
    #eg:
    #sobelx64f = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
    #abs_sobel64f = np.absolute(sobelx64f)
    #sobel_8u = np.uint8(abs_sobel64f)
    
    laplacian=cv2.Laplacian(img,cv2.CV_64F)
    # 参数 1,0 为只在 x 方向求一阶导数，最大可以求 2 阶导数
    sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=k)
    # 参数 0,1 为只在 y 方向求一阶导数，最大可以求 2 阶导数
    sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=k)
    
    cv2.imshow('img',img)
    cv2.imshow('sobelx',sobelx)
    cv2.imshow('sobely',sobely)
    cv2.imshow('laplacian',laplacian)

cv2.destroyAllWindows()