OpenCV：高通滤波之索贝尔、沙尔和拉普拉斯

import cv2
import numpy as np

# 读取图像
image = cv2.imread("D:\\resource\\filter\\shudu.jpg")
image = cv2.resize(image, (400,400))

# 检测单方向效果好， 同时双方向效果差

# y方向 图像边缘
result1 = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=5)

# x方向 图像边缘
result2 = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=5)

# 合并
result = cv2.add(result1, result2)

cv2.imshow("image", image)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

特点

能检测水平和垂直边缘。
可调整核大小（ksize）以控制平滑程度。

运行结果： y方向和x方向

运行结果：原图和合成后的图

沙尔算子

沙尔算子是对索贝尔算子的优化版本，它在小窗口（如 3×3）中提供更高的精度。

算子公式

水平边缘检测：

垂直边缘检测：

实现代码

python 复制代码

import cv2
import numpy as np

# 读取图像
image = cv2.imread("D:\\resource\\filter\\shudu.jpg")
image = cv2.resize(image, (400,400))

# 与Sobel类似， 只能求x或y方向的边缘

# y方向 图像边缘
result1 = cv2.Scharr(image, cv2.CV_64F, 1, 0)

# x方向 图像边缘
result2 = cv2.Scharr(image, cv2.CV_64F, 0, 1)

# 合并
result = cv2.add(result1, result2)

cv2.imshow("image", image)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

特点

在处理高频变化的边缘时，精度高于索贝尔算子。
适用于对边缘检测精度要求较高的场景。

拉普拉斯算子

拉普拉斯算子是一种二阶导数算子，结合水平和垂直方向的梯度信息，用于检测图像的边缘。

算子公式

拉普拉斯算子的卷积核常见形式为：

实现代码

python 复制代码

import cv2
import numpy as np

# 读取图像
image = cv2.imread("D:\\resource\\filter\\shudu.jpg")
image = cv2.resize(image, (400,400))

# 可以同时求2个方向的边缘，但是对噪音敏感，需要先降噪
result = cv2.Laplacian(image, cv2.CV_64F, ksize=5)

cv2.imshow("image", image)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

特点

同时检测水平、垂直和对角线方向的边缘。
对噪声敏感，适合平滑处理后的图像。

运行结果

高通滤波器的对比与应用场景

算子	特点	适用场景
索贝尔	结合一阶导数，能检测水平和垂直边缘	边缘检测、特征提取
沙尔	索贝尔的改进版，适合处理高频变化区域，精度更高	精细边缘检测
拉普拉斯	二阶导数算子，检测方向无关的边缘，灵敏度高	图像锐化、边缘增强