• Sobel運算元對應一階導數
• Laplace運算元對應二階導數

Sobel運算元（Schar）

import cv2 as cv
def sobel_demo(image):
    grad_x = cv.Sobel(image, cv.CV_32F, 1, 0) # 使用CV_32F防止資料溢位
    grad_y = cv.Sobel(image, cv.CV_32F, 0, 1)
    gradx = cv.convertScaleAbs(grad_x) # 取絕對值轉到8位
    grady = cv.convertScaleAbs(grad_y)
 

    cv.imshow('gradient_x', gradx)
    cv.imshow('gradient_y', grady)
    # 合併x, y兩個梯度
    addImage = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)
    cv.imshow('add image', addImage)



src = cv.imread('./data/lena.jpg', 1)
sobel_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()

仔細觀察三張圖不難發現，X方向梯度在Y方向上邊緣較為清晰，而Y方向梯度在X方向上邊緣較為清晰，合併後的影象則綜合了兩張圖的特徵。如果邊緣輪廓不清晰或不理想可以考慮用Scarr來計算，結果如下：

Laplace運算元

def Laplace_demo(image):
    dst = cv.Laplacian(image, cv.CV_32F)
    laps = cv.convertScaleAbs(dst)
    cv.imshow('Laplace image', laps)

src = cv.imread('./data/lena.jpg', 1)
Laplace_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()

藉助filter2D()函式自定義掩模計算Laplace演算法

def Laplace_demo
 
(image):
    # dst = cv.Laplacian(image, cv.CV_32F)
    # laps = cv.convertScaleAbs(dst)
    kernel = np.array([[0, 1, 0], [1, -4, 1], [0, 1, 0]])
    dst = cv.filter2D(image, cv.CV_32F, kernel=kernel)
    laps = cv.convertScaleAbs(dst)
    cv.imshow('Laplace image', laps)

src = cv.imread('./data/lena.jpg', 1)
Laplace_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()

幾乎上上圖一樣，改變核為[[1,1,1],[1,-8,1],[1,1,1]]再觀察

影象增強了