Scharr算子是效果比较好的,但从肉眼看sobel算子比较顺眼
# 导入OpenCV库，用于图像处理
import cv2
import numpy as np
# 从matplotlib库中导入pyplot模块，用于绘制图像
from matplotlib import pyplot as plt
# 创建一个名为'window'的窗口，窗口大小自动调整
cv2.namedWindow('window', cv2.WINDOW_AUTOSIZE) # cv2.WINDOW_AUTOSIZE: 窗口大小自动调整，不允许用户改变窗口大小
# 使用OpenCV的imread函数读取名为"mao.jpg"的图片，参数1表示读取彩色图像
# cat变量存储读取的图像数据，OpenCV默认以BGR格式读取
# 这里使用了0作为参数，表示读取灰度图像
cat = cv2.imread("mao.jpg", 0)
# 在名为'window'的窗口中显示图像
cv2.imshow('window', cat)
# 使用Sobel算子计算x方向上的梯度，并将结果存储在sobelx变量中
# cv2.CV_64F表示数据类型为64位浮点数
# 1表示x方向上的导数，0表示y方向上的导数
# ksize表示Sobel核的大小
sobelx = cv2.Sobel(cat,cv2.CV_64F,1,0,ksize=3)
# 使用Sobel算子计算y方向上的梯度，并将结果存储在sobely变量中
sobely = cv2.Sobel(cat,cv2.CV_64F,0,1,ksize=3)
# 将sobelx和sobely的梯度图像转换为绝对值形式，并将结果转换为8位无符号整数
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.convertScaleAbs(sobely)
# 将x方向和y方向的梯度图像进行加权求和，得到最终的梯度图像
# 0.5是x方向和y方向的权重，0是gamma校正的常数
sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)
# 使用Scharr算子计算x方向上的梯度，并将结果存储在scharrx变量中
# Scharr算子是一种改进的Sobel算子，对边缘的定位更准确
scharrx = cv2.Scharr(cat,cv2.CV_64F,1,0)
# 使用Scharr算子计算y方向上的梯度，并将结果存储在scharry变量中
scharry = cv2.Scharr(cat,cv2.CV_64F,0,1)
# 将scharrx和scharry的梯度图像转换为绝对值形式，并将结果转换为8位无符号整数
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
# 将Scharr算子的x方向和y方向的梯度图像进行加权求和
# 注意这里有一个错误，应该是scharrx和scharry进行加权求和，而不是sobelxy和sobely
scharrxy = cv2.addWeighted(scharrx, 0.5, scharry, 0.5,0)
# 使用Laplacian算子计算图像的二阶导数，并将结果存储在laplacian变量中
laplacian = cv2.Laplacian(cat,cv2.CV_64F)
# 将Laplacian的二阶导数图像转换为绝对值形式，并将结果转换为8位无符号整数
laplacian = cv2.convertScaleAbs(laplacian)
# 将sobelxy, scharrxy和laplacian的梯度图像水平堆叠在一起，以便于比较
res = np.hstack((sobelxy,scharrxy,laplacian))
# 在名为'window1'的窗口中显示处理后的梯度图像
cv2.imshow('window1', res)
# 等待按键事件，0表示无限期等待
key = cv2.waitKey(0)
# 检查按下的键是否是'q'，如果是则销毁所有窗口
# 0xFF是掩码，用于确保只检查最低8位
if key & 0xFF == ord('q'):
print("准备销毁窗口")
cv2.destroyAllWindows()
原图和提取效果
