梯度简单来说就是求导，在图像上表现出来的就是提取图像的边缘（无论是横向的、纵向的、斜方向的等等），所须要的无非也是一个核模板。模板的不同结果也不同。所以能够看到，全部的这些个算子函数，归结究竟都能够用函数cv2.filter2D()来表示，不同的方法给予不同的核模板，然后演化为不同的算子而已。而且这仅仅是这类滤波函数的一个用途，以前写过一个关于matlab下滤波函数imfilter（）的扩展应用（等同于opencv的cv2.filter2D函数）：
就是非常多复杂的计算都是能够通过这个滤波函数组合实现，这种话速度快。
（一）关于Sobel算子与Scharr算子
Sobel算子是高斯平滑与微分操作的结合体。所以其抗噪能力非常强，用途较多。一般的sobel算子包含x与y两个方向，算子模板为：
在opencv函数中，还能够设置卷积核(ksize)的大小，假设ksize=-1,就演变为3*3的Scharr算子，模板无非变了个数字：
贴一个相关具体參考：
(二)关于拉普拉斯(Laplacian)算子
拉普拉斯算子能够实现图像的二阶倒数的定义，至于二阶倒数有什么意义，能够看这位博主的具体介绍：
OpenCV-Python教程（7、Laplacian算子）
其核模板为：
以下是对上述三种模板的实例：
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('flower.jpg',0)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)#默认ksize=3
sobely = cv2.Sobel(img,cv2.CV_64F,0,1)
sobelxy = cv2.Sobel(img,cv2.CV_64F,1,1)
laplacian = cv2.Laplacian(img,cv2.CV_64F)#默认ksize=3
#人工生成一个高斯核，去和函数生成的比較
kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]],np.float32)#
img1 = np.float64(img)#转化为浮点型的
img_filter = cv2.filter2D(img1,-1,kernel)
sobelxy1 = cv2.Sobel(img1,-1,1,1)
plt.subplot(221),plt.imshow(sobelx,'gray')
plt.subplot(222),plt.imshow(sobely,'gray')
plt.subplot(223),plt.imshow(sobelxy,'gray')
plt.subplot(224),plt.imshow(laplacian,'gray')
plt.figure()
plt.imshow(img_filter,'gray')
上述一个非常重要的问题须要明确的就是。在滤波函数第二个參数，当我们使用-1表示输出图像与输入图像的数据类型一致时，假设原始图像是uint8型的，那么在经过算子计算以后，得到的图像可能会有负值，假设与原图像数据类型一致，那么负值就会被截断变成0或者255，使得结果错误，那么针对这种问题有两种方式改变（上述程序中都有）：一种就是改变输出图像的数据类型（第二个參数cv2.CV_64F）。还有一种就是改变原始图像的数据类型（此时第二个參数能够为-1，与原始图像一致）。
上述程序从结果上也说明使用函数cv2.filter2D也能达到同样的效果。
（三）Canny边缘检測算子
关于canny边缘检測算子，细究的话还算比較的复杂，给出一个介绍比較具体的博客吧：
那么opencv中的函数也非常easy，直接cv2.Canny()，这个函数须要五个參数，原始图像，两个范围控制值minVal和maxVal（见上述原理介绍）,第四个參数用于规定核模板的大小（默认3）。最后一个是true与false（默认）的选择。有一点不同，不太重要。能够试着那个好用那个。
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('flower.jpg',0)
edges = cv2.Canny(img,100,200)#其它的默认
plt.subplot(121),plt.imshow(img,'gray')
plt.subplot(122),plt.imshow(edges,'gray')
