OpenCV 中的常用算子主要用于图像的特征提取、边缘检测、滤波增强等核心操作，是图像处理的基础工具。以下按功能分类介绍常用算子及其 Python 实现：

---

一、边缘检测算子

边缘检测算子通过计算像素梯度变化识别图像边缘，常见的有：

1. Sobel 算子

• 原理：基于一阶导数，分别计算水平（x 方向）和垂直（y 方向）边缘，对噪声有一定抑制。
• 应用：检测明显的边缘轮廓。

import cv2
import numpy as np

image = cv2.imread('image.jpg', 0)  # 灰度读取
# Sobel算子：dx=1检测垂直边缘，dy=1检测水平边缘，ksize为卷积核大小
sobel_x = cv2.Sobel(image, cv2.CV_64F, dx=1, dy=0, ksize=3)
sobel_y = cv2.Sobel(image, cv2.CV_64F, dx=0, dy=1, ksize=3)
# 转换为绝对值并归一化
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)
# 合并x、y方向边缘
sobel_xy = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

cv2.imshow('Sobel Edge', sobel_xy)
cv2.waitKey(0)

Sobel效果图：

Sobel处理后：

2. Laplacian 算子

• 原理：基于二阶导数，对噪声敏感，常结合高斯滤波使用（LoG 算子）。
• 应用：检测图像中的快速灰度变化区域。

laplacian = cv2.Laplacian(image, cv2.CV_64F, ksize=3)
laplacian = cv2.convertScaleAbs(laplacian)
cv2.imshow('Laplacian Edge', laplacian)

 Laplacian 效果图(细节较清晰)：

Laplacian处理后：

3. Canny 算子

• 原理：多阶段边缘检测（高斯滤波→梯度计算→非极大值抑制→双阈值筛选），边缘检测精度高。
• 应用：高精度边缘提取（如轮廓检测、目标识别）。

canny = cv2.Canny(image, threshold1=50, threshold2=150)  # 双阈值
cv2.imshow('Canny Edge', canny)

 Canny 效果图(高精度边缘提取)：

Canny处理后：

---

二、滤波算子

滤波算子用于图像去噪、平滑或增强，常见的有：

1. 高斯滤波算子

• 原理：使用高斯核进行卷积，对噪声有良好的平滑效果，保留边缘细节。
• 应用：图像预处理去噪。

gaussian = cv2.GaussianBlur(image, (5, 5), sigmaX=1.5)  # (5,5)为核大小，sigmaX为X方向标准差
cv2.imshow('Gaussian Blur', gaussian)

2. 中值滤波算子

• 原理：用邻域像素的中值替代当前像素，对椒盐噪声抑制效果显著。
• 应用：去除椒盐噪声（如相机噪点）。

median = cv2.medianBlur(image, 5)  # 核大小为奇数
cv2.imshow('Median Blur', median)

3. 均值滤波算子

• 原理：用邻域像素的平均值替代当前像素，简单但易模糊边缘。
• 应用：轻度去噪或图像模糊化。

average = cv2.blur(image, (5, 5))  # 核大小
cv2.imshow('Average Blur', average)

4. 双边滤波算子

• 原理：结合空间距离和像素相似度的滤波，去噪同时保留边缘。
• 应用：保留边缘的图像美化（如人像磨皮）。

bilateral = cv2.bilateralFilter(image, d=9, sigmaColor=75, sigmaSpace=75)
cv2.imshow('Bilateral Filter', bilateral)

---

三、形态学算子

形态学算子基于形状对图像进行操作，需结合二值图像使用：

1. 腐蚀（Erosion）

• 原理：收缩图像中的亮区域，消除小的亮噪点。
• 应用：去除小的白色干扰、分离连接的物体。

kernel = np.ones((3, 3), np.uint8)  # 结构元素
erosion = cv2.erode(image, kernel, iterations=1)  # iterations为迭代次数
cv2.imshow('Erosion', erosion)

2. 膨胀（Dilation）

• 原理：扩张图像中的亮区域，填补小的暗孔洞。
• 应用：修复边缘缺口、连接断裂的区域。

dilation = cv2.dilate(image, kernel, iterations=1)
cv2.imshow('Dilation', dilation)

3. 开运算与闭运算

• 开运算：先腐蚀后膨胀，去除小的亮噪点。
• 闭运算：先膨胀后腐蚀，填补小的暗孔洞。

opening = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)  # 开运算
closing = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernel)  # 闭运算

4. 形态学梯度

• 原理：膨胀图像与腐蚀图像的差值，提取物体边缘。

gradient = cv2.morphologyEx(image, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('Morphology Gradient', gradient)

---

四、特征检测算子

1. Harris 角点检测算子

• 原理：检测图像中灰度变化剧烈的角点（如交点、拐角）。

# Harris角点检测
gray = np.float32(image)
harris = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)
# 标记角点
image[harris > 0.01 * harris.max()] = 255
cv2.imshow('Harris Corners', image)

2. Shi-Tomasi 角点检测算子

• 原理：Harris 算子的改进，更稳定地检测角点。

corners = cv2.goodFeaturesToTrack(image, maxCorners=100, qualityLevel=0.01, minDistance=10)
corners = np.int0(corners)
for corner in corners:
    x, y = corner.ravel()
    cv2.circle(image, (x, y), 3, 255, -1)
cv2.imshow('Shi-Tomasi Corners', image)

---

五、算子选择建议

1. 边缘检测：优先选 Canny（高精度），Sobel（快速），Laplacian（细节丰富）。
2. 去噪：高斯滤波（通用）、中值滤波（椒盐噪声）、双边滤波（保边缘）。
3. 形态学操作：腐蚀 / 膨胀（基础形状调整）、开 / 闭运算（噪点 / 孔洞处理）。
4. 特征检测：Shi-Tomasi（角点检测）、Harris（简单场景）。

这些算子是 OpenCV 图像处理的核心工具，需根据任务需求组合使用（如先滤波去噪，再边缘检测）。