番外篇: 图像梯度
了解图像梯度和边缘检测的相关概念。图片等可到文末引用处下载。
还记得前面平滑图像中提到的滤波与模糊的区别吗？我们说低通滤波器是模糊，高通滤波器是锐化，这节我们就来看看高通滤波器。
图像梯度
如果你还记得高数中用一阶导数来求极值的话，就很容易理解了：把图片想象成连续函数，因为边缘部分的像素值是与旁边像素明显有区别的，所以对图片局部求极值，就可以得到整幅图片的边缘信息了。不过图片是二维的离散函数，导数就变成了差分，这个差分就称为图像的梯度。
当然，大部分人应该是早忘记高数了(￣▽￣)"，所以看不懂的话，就把上面的解释划掉，我们重新从卷积的角度来看看。
垂直边缘提取
滤波是应用卷积来实现的，卷积的关键就是卷积核，我们来考察下面这个卷积核：
这个核是用来提取图片中的垂直边缘的，怎么做到的呢？看下图：
当前列左右两侧的元素进行差分，由于边缘的值明显小于（或大于）周边像素，所以边缘的差分结果会明显不同，这样就提取出了垂直边缘。同理，把上面那个矩阵转置一下，就是提取水平边缘。这种差分操作就称为图像的梯度计算：
还记得滤波函数
cv2.filter2D()吗？（番外篇：卷积基础）我们来手动实现上面的功能：
img = cv2.imread('sudoku.jpg', 0)
# 自己进行垂直边缘提取
kernel = np.array([[-1, 0, 1],
[-2, 0, 2],
[-1, 0, 1]], dtype=np.float32)
dst_v = cv2.filter2D(img, -1, kernel)
# 自己进行水平边缘提取
dst_h = cv2.filter2D(img, -1, kernel.T)
# 横向并排对比显示
cv2.imshow('edge', np.hstack((img, dst_v, dst_h)))
cv2.waitKey(0)Copy to clipboardErrorCopiedSobel算子
上面的这种差分方法就叫Sobel算子，它先在垂直方向计算梯度
，再在水平方向计算梯度
，最后求出总梯度：
我们可以把前面的代码用Sobel算子更简单地实现：
sobelx = cv2.Sobel(img, -1, 1, 0, ksize=3) # 只计算x方向
sobely = cv2.Sobel(img, -1, 0, 1, ksize=3) # 只计算y方向Copy to clipboardErrorCopied经验之谈：很多人疑问，Sobel算子的卷积核这几个值是怎么来的呢？事实上，并没有规定，你可以用你自己的。
比如，最初只利用领域间的原始差值来检测边缘的Prewitt算子：
还有比Sobel更好用的Scharr算子，大家可以了解下：
这些算法都是一阶边缘检测的代表，网上也有算子之间的对比资料，有兴趣的可参考文末引用。
Laplacian算子
高数中用一阶导数求极值，在这些极值的地方，二阶导数为0，所以也可以通过求二阶导计算梯度：
一维的一阶和二阶差分公式分别为：
提取前面的系数，那么一维的Laplacian滤波核是：
而对于二维函数f(x,y)，两个方向的二阶差分分别是：
合在一起就是：
同样提取前面的系数，那么二维的Laplacian滤波核就是：
这就是Laplacian算子的图像卷积模板，有些资料中在此基础上考虑斜对角情况，将卷积核拓展为：
OpenCV中直接使用cv2.Laplacian()函数：
laplacian = cv2.Laplacian(img, -1) # 使用Laplacian算子Copy to clipboardErrorCopied
Laplacian算子是二阶边缘检测的典型代表，一/二阶边缘检测各有优缺点，大家可自行了解。
练习
- （选做）同志们有空补补高数
姿势（知识）呗！(✿◕‿◕✿)