Python OpenCV图像锐化与边缘检测：Sobel与Laplacian算子实战详解

何川

发布时间：2026-10-12| 4人浏览过

原创

本文深入解析Python中OpenCV库的Sobel与Laplacian算子，详细讲解图像锐化与边缘检测原理。通过Sobel()和Laplacian()函数原型说明、参数解析及完整代码示例，展示如何结合高斯滤波与阈值处理进行边缘提取，并对比Roberts、Prewitt等算法效果，为图像识别提供基础技术支持。

一、Sobel算子

Sobel算子是一种用于检测图像边缘的离散微分算子，它巧妙地将高斯平滑与微分求导相结合。该算子主要用于计算图像灰度的近似值，依据图像边缘附近灰度变化的显著程度，将区域内超过特定阈值的特定点标记为边缘。相较于Prewitt算子，Sobel算子引入了权重概念，认为距离当前像素越近的相邻点对该像素的影响越大，从而在实现图像锐化的同时，更加突出边缘轮廓[1-4]。

Sobel算子在边缘定位上更为精准，特别适用于噪声较多且灰度呈现渐变特征的图像。其核心算法模板如公式（1）所示，其中dx代表水平方向的差分，dy代表垂直方向的差分[3]。

具体像素点的计算过程如下：

Sobel算子最终像素值的计算公式为：

Sobel算子通过计算像素点上下、左右邻点的灰度加权差，利用边缘处梯度达到极值的特性来检测边缘。该方法对噪声具有一定的平滑作用，并能提供较为精确的边缘方向信息。由于Sobel算子融合了高斯平滑与微分求导（即分化处理），因此具备更强的抗噪能力。在对精度要求并非极高的场景下，Sobel算子是一种应用广泛且高效的边缘检测方法。

在Python和OpenCV中，Sobel算子被封装在Sobel()函数中，其函数原型如下：

dst = Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])

– src表示输入图像
– dst表示输出的边缘图，其大小和通道数与输入图像相同
– ddepth表示目标图像所需的深度，针对不同的输入图像，输出目标图像有不同的深度
– dx表示x方向上的差分阶数，取值1或 0
– dy表示y方向上的差分阶数，取值1或0
– ksize表示Sobel算子的大小，其值必须是正数和奇数
– scale表示缩放导数的比例常数，默认情况下没有伸缩系数
– delta表示将结果存入目标图像之前，添加到结果中的可选增量值
– borderType表示边框模式，更多详细信息查阅BorderTypes

需要注意的是，在使用Sobel算子处理后，必须调用convertScaleAbs()函数计算绝对值，并将图像转换为8位图以便显示。其算法原型如下：

dst = convertScaleAbs(src[, dst[, alpha[, beta]]])

– src表示原数组
– dst表示输出数组，深度为8位
– alpha表示比例因子
– beta表示原数组元素按比例缩放后添加的值

Sobel算子的具体实现代码如下：

# -*- coding: utf-8 -*-
# By:Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图像
img = cv2.imread('luo.png')
lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

#灰度化处理图像
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
#Sobel算子
x = cv2.Sobel(grayImage, cv2.CV_16S, 1, 0) #对x求一阶导
y = cv2.Sobel(grayImage, cv2.CV_16S, 0, 1) #对y求一阶导
absX = cv2.convertScaleAbs(x)      
absY = cv2.convertScaleAbs(y)    
Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)

#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']

#显示图形
titles = ['原始图像', 'Sobel算子']
images = [lenna_img, Sobel]
for i in range(2):
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])
plt.show()

其运行结果如图1所示：

二、Laplacian算子

拉普拉斯（Laplacian）算子是n维欧几里德空间中的一个二阶微分算子，广泛应用于图像增强和边缘提取领域。其基本流程是通过灰度差分计算邻域内的像素，具体步骤包括：

判断图像中心像素灰度值与周围其他像素的灰度值；
如果中心像素的灰度更高，则提升中心像素的灰度；
反之降低中心像素的灰度，从而实现图像锐化操作。

在算法实现中，Laplacian算子通过对邻域中心像素的四方向或八方向求梯度，再将梯度相加来判断中心像素灰度与邻域内其他像素灰度的关系，最后根据梯度运算结果对像素灰度进行调整[2]。

对于一个连续的二元函数f(x,y)，其拉普拉斯运算定义为：

Laplacian算子分为四邻域和八邻域两种模式。四邻域是对邻域中心像素的四个方向求梯度，八邻域则是对八个方向求梯度。其中，四邻域模板如公式（5）所示：

其像素的计算公式可以简化为：

通过模板分析可知，当邻域内像素灰度相同时，模板的卷积运算结果为0；当中心像素灰度高于邻域内其他像素的平均灰度时，模板的卷积运算结果为正数；当中心像素的灰度低于邻域内其他像素的平均灰度时，模板的卷积结果为负数。对卷积运算结果应用适当的衰减因子处理后加在原中心像素上，即可实现图像的锐化处理。

Laplacian算子的八邻域模板如下：

其像素的计算公式可以简化为：

Python和OpenCV将Laplacian算子封装在Laplacian()函数中，其函数原型如下：

dst = Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

– src表示输入图像
– dst表示输出的边缘图，其大小和通道数与输入图像相同
– ddepth表示目标图像所需的深度
– ksize表示用于计算二阶导数的滤波器的孔径大小，其值必须是正数和奇数，且默认值为1，更多详细信息查阅getDerivKernels
– scale表示计算拉普拉斯算子值的可选比例因子。默认值为1，更多详细信息查阅getDerivKernels
– delta表示将结果存入目标图像之前，添加到结果中的可选增量值，默认值为0
– borderType表示边框模式，更多详细信息查阅BorderTypes

值得注意的是，Laplacian算子本质上主要利用Sobel算子的运算结果，通过叠加Sobel算子计算出的图像x方向和y方向上的导数，从而得到输入图像的锐化结果。

同时，在进行Laplacian算子处理后，同样需要调用convertScaleAbs()函数计算绝对值，并将图像转换为8位图进行显示。其算法原型如下：

dst = convertScaleAbs(src[, dst[, alpha[, beta]]])

– src表示原数组
– dst表示输出数组，深度为8位
– alpha表示比例因子
– beta表示原数组元素按比例缩放后添加的值

当ksize=1时，Laplacian()函数采用3×3的孔径（即四邻域模板）进行变换处理。下面的代码是采用ksize=3的Laplacian算子进行图像锐化处理，具体代码如下：

其运行结果如图2所示：

# -*- coding: utf-8 -*-
# By:Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图像
img = cv2.imread('luo.png')
lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

#灰度化处理图像
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
#拉普拉斯算法
dst = cv2.Laplacian(grayImage, cv2.CV_16S, ksize = 3)
Laplacian = cv2.convertScaleAbs(dst) 

#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']

#显示图形
titles = ['原始图像', 'Laplacian算子']  
images = [lenna_img, Laplacian]  
for i in range(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

边缘检测算法主要基于图像强度的一阶和二阶导数，但导数计算通常对噪声非常敏感，因此需要先采用滤波器过滤噪声，并调用图像增强或阈值化算法进行处理，最后再进行边缘检测。下面展示了采用高斯滤波去噪和阈值处理后进行边缘检测的过程，并对比了四种常见的边缘提取算法。

# -*- coding: utf-8 -*-
# By:Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#读取图像
img = cv2.imread('luo.png')
lenna_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

#灰度化处理图像
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#高斯滤波
gaussianBlur = cv2.GaussianBlur(grayImage, (3,3), 0)

#阈值处理
ret, binary = cv2.threshold(gaussianBlur, 127, 255, cv2.THRESH_BINARY)

#Roberts算子
kernelx = np.array([[-1,0],[0,1]], dtype=int)
kernely = np.array([[0,-1],[1,0]], dtype=int)
x = cv2.filter2D(binary, cv2.CV_16S, kernelx)
y = cv2.filter2D(binary, cv2.CV_16S, kernely)
absX = cv2.convertScaleAbs(x)     
absY = cv2.convertScaleAbs(y)    
Roberts = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)

#Prewitt算子
kernelx = np.array([[1,1,1],[0,0,0],[-1,-1,-1]], dtype=int)
kernely = np.array([[-1,0,1],[-1,0,1],[-1,0,1]], dtype=int)
x = cv2.filter2D(binary, cv2.CV_16S, kernelx)
y = cv2.filter2D(binary, cv2.CV_16S, kernely)
absX = cv2.convertScaleAbs(x)  
absY = cv2.convertScaleAbs(y)    
Prewitt = cv2.addWeighted(absX,0.5,absY,0.5,0)

#Sobel算子
x = cv2.Sobel(binary, cv2.CV_16S, 1, 0)
y = cv2.Sobel(binary, cv2.CV_16S, 0, 1)    
absX = cv2.convertScaleAbs(x)   
absY = cv2.convertScaleAbs(y)    
Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)

#拉普拉斯算法
dst = cv2.Laplacian(binary, cv2.CV_16S, ksize = 3)
Laplacian = cv2.convertScaleAbs(dst) 

#效果图
titles = ['Source Image', 'Binary Image', 'Roberts Image',
          'Prewitt Image','Sobel Image', 'Laplacian Image']
images = [lenna_img, binary, Roberts, Prewitt, Sobel, Laplacian]
for i in np.arange(6):
   plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])
plt.show()

输出结果如图3所示。其中，Laplacian算子对噪声较为敏感，由于其算法可能导致双像素边界，通常用于判断边缘像素位于图像的明区或暗区，较少直接用于边缘检测；Roberts算子对陡峭的低噪声图像效果较好，尤其是边缘正负45度较多的图像，但定位准确率较差；Prewitt算子对灰度渐变的图像边缘提取效果较好，但未考虑相邻点距离远近对当前像素的影响；Sobel算子综合考虑了多种因素，对噪声较多的图像处理效果更佳。