Sobel（索贝尔）特点是抗噪音效果好
Schar（沙尔）一个卷积核不可改变的滤波方式，对于3*3的卷积核来说索贝尔滤波效果比不上沙尔滤波。
Laplacian（拉普拉斯）对于噪音比较敏感
Sobel索贝尔算子：
一般情况下我们先向x方向求导，然后在y方向求导，最终结果是：|G|=|Gx|+|Gy|。
Sobel索贝尔api：
Sobel(src,ddepth,dx,dy,ksize=3)
Src：具体操作的图片
Ddepth：输出的位深
dx,dy：对谁求导
Ksize：卷积核默认为3
import cv2
import numpy as np
# 导入一张图
img=cv2.imread('C:\\Users\\mk\\Desktop\\1.jpg')
# 索贝尔x方向上的边缘
dst_x=cv2.Sobel(img,cv2.CV_64F,2,0,ksize=5)
# 索贝尔y方向上的边缘
dst_y=cv2.Sobel(img,cv2.CV_64F,0,2,ksize=5)
# 合并图片
dst=dst_x+dst_y
# 显示图片
cv2.imshow('img',img)
cv2.imshow('dst_x',dst_x)
cv2.imshow('dst_y',dst_y)
cv2.imshow('dst',dst)
cv2.waitKey(0)
Scharr沙尔算子沙尔算子和索贝尔算子很类似的，最大的不同是卷积核kernel的值不同。沙尔只能求x方向或者y方向的边缘。
Scharr沙尔api：
Scharr(src,ddepth,dx,dy)
Src：具体进行操作的图片
Ddepth：输出的位深
dx,dy：对哪个方向求导
import cv2
import numpy as np
# 导入一张图
img=cv2.imread('C:\\Users\\mk\\Desktop\\1.jpg')
# 沙尔x方向上的边缘
dst_x=cv2.Scharr(img,cv2.CV_64F,1,0)
# 沙尔y方向上的边缘
dst_y=cv2.Scharr(img,cv2.CV_64F,0,1)
# 合并图片
dst=dst_x+dst_y
# 显示图片
cv2.imshow('img',img)
cv2.imshow('dst_x',dst_x)
cv2.imshow('dst_y',dst_y)
cv2.imshow('dst',dst)
cv2.waitKey(0)
Laplacian拉普拉斯算子拉普拉斯可以同时求两个方向的边缘，缺点是多噪音比较敏感，一般需要先进行去噪然后再使用拉普拉斯。
Laplacian拉普拉斯api：
Laplacian(img,ddepth,ksize=1,scale=1)
img：具体进行操作的图片
ddepth：输出的位深
ksize：卷积核大小，不设默认值为1
scale：缩放值，不设默认值为1
import cv2
import numpy as np
# 导入一张图
img=cv2.imread('C:\\Users\\mk\\Desktop\\1.jpg')
# 拉普拉斯
dst=cv2.Laplacian(img,cv2.CV_64F,ksize=5)
# 显示图片
cv2.imshow('img',img)
cv2.imshow('dst',dst)
cv2.waitKey(0)
