前面了解了一下图像锐化的方法及其理论基础，鉴于篇幅原因就没有给出代码实现，今天根据前面介绍的图像锐化的方法进行实战代码演练。

二、代码实现

1.Robert算子

根据公式我们得到了两个算子：

因此我们可以通过定义这两个算子，再通过锐化的API进行Robert算子锐化，具体如下：

import cv2 as cv
import numpy as np
path = "C:\\Users\\27914\\Desktop\\images\\test2.jpg"
image = cv.imread(path)
x = np.array([[-1,0],[0,1]],dtype=np.float32)#水平方向的算子
y = np.array([[0,-1],[1,0]],dtype=np.float32)#垂直方向的算子
gx = cv.filter2D(image,cv.CV_16S,x)
gy = cv.filter2D(image,cv.CV_16S,y)
absgx = cv.convertScaleAbs(gx)#求绝对值
absgy = cv.convertScaleAbs(gy)#求绝对值
result = cv.addWeighted(absgx,0.5,absgy,0.5,0)
cv.imshow("result",result)
cv.waitKey(0)
cv.destroyAllWindows()

Robert算子锐化实际上是卷积操作，因此我们使用OpenCV的卷积操作API——filter2D()，主要参数解释：
src：输入图像；
ddepth：图像深度，实际上是指图像数据类型，这里我附上一张图：

其中：U即是无符号整型（Unsigned int），S即是有符号整型（Signed int），F即是浮点型（Float），数字是位数。
convertScaleAbs()：这个API是将传入的数据通过线性变换进行缩放，计算其绝对值并转化成八位，主要参数解释：
src:输入的矩阵；
alpha:缩放的系数，在这里就不进行过多的介绍了；
beta:偏置项
仅传入src即是对原来的数据求一个绝对值。
Robert算子法的效果：

锐化后：

可以看到图像是偏暗的，边缘的提取也不够精确。

2.Laplacian算子法

Laplacian算子：

OpenCV提供了API——Laplacian()，专门用于拉普拉斯算子锐化图像，由于其内部计算了图像的梯度，所以用到了sobel算子。Laplacian算子法代码实现非常简单，只不过Laplacian算子对噪声比较敏感，一般先将图像平滑后在进行Laplacian算子锐化：

import cv2 as cv
import numpy as np
path = "C:\\Users\\27914\\Desktop\\images\\test2.jpg"
image = cv.imread(path,cv.IMREAD_GRAYSCALE)
#拉普拉斯算子
image = cv.GaussianBlur(image,(0,0),3)
result = cv.Laplacian(image,cv.CV_16S,ksize=5,delta=100)
result = cv.convertScaleAbs(result)
cv.imshow("image",image)
cv.imshow("result",result)
cv.waitKey(0)
cv.destroyAllWindows()

模糊：

输出：

有尝试过通过定义Laplacian算子再进行卷积实现锐化，但是效果不太好，读者可自己尝试一下，过程与定义Robert算子差不多。
Laplacian()主要参数解释：
src：输入图像；
ddepth：图像深度，传入-1表示与原图的深度相同；
ksize：表示卷积核大小，只能为1，3，5，7
scale：表示缩放比例，默认不缩放；
delta:偏置项，最终会加到输出中；
borderType:判断图像边界的方法。

3.Prewitt算子法

由于OpenCV没有提供该算子的算法，但是我们可以通过自定义的方式进行锐化，由于Prewitt算子数量比较多，这里只用了两个方向的算子，其他方向的算子读者可以自行练习，代码如下：

import cv2 as cv
import numpy as np
path = "C:\\Users\\27914\\Desktop\\images\\test2.jpg"
image = cv.imread(path,cv.IMREAD_GRAYSCALE)
#Prewitt算子
prewitty = np.array([[1,1,1],[1,-2,1],[-1,-1,-1]],dtype=np.float32)
prewittx = np.array([[-1,1,1],[-1,-2,1],[-1,1,1]],dtype=np.float32)
gx = cv.convertScaleAbs(cv.filter2D(image,cv.CV_16S,prewittx))
gy = cv.convertScaleAbs(cv.filter2D(image,cv.CV_16S,prewitty))
result = cv.addWeighted(gx,0.5,gy,0.5,0)
cv.imshow("image",image)
cv.imshow("result",result)
cv.waitKey(0)
cv.destroyAllWindows()

输出如下：

4.Sobel算子

OpenCV提供了该算子的API,所以写起来比较方便，本质上索贝尔算子是计算了图像的梯度，具体代码：

import cv2 as cv
import numpy as np
path = "C:\\Users\\27914\\Desktop\\images\\test2.jpg"
image = cv.imread(path,cv.IMREAD_GRAYSCALE)
#索贝尔算子
sobelx = cv.Sobel(image,cv.CV_16S,dx=1,dy=0,ksize=3)
sobely = cv.Sobel(image,cv.CV_16S,dx=0,dy=1,ksize=3)
sobelx = cv.convertScaleAbs(sobelx)
sobely = cv.convertScaleAbs(sobely)
result = cv.addWeighted(sobelx,0.5,sobely,0.5,0)
cv.imshow("image",image)
cv.imshow("result",result)
cv.waitKey(0)
cv.destroyAllWindows()

输出：

Sobel()主要参数解释：
src：输入图像；
ddepth：图像深度，传入-1表示与原图的深度相同；
dx:水平方向，可设为0或1，0表示不选则这个方向，1表示选择这个方向；
dy:垂直方向，可设为0或1，意义同上；
ksize：表示卷积核大小；
scale：表示缩放比例，默认不缩放；
delta:偏置项，最终会加到输出中；
borderType:判断图像边界的方法。

5.高通滤波法

我们通过定义H来实现锐化，代码如下：

import cv2 as cv
import numpy as np
path = "C:\\Users\\27914\\Desktop\\images\\test2.jpg"
image = cv.imread(path,cv.IMREAD_GRAYSCALE)
#高通滤波
H1 = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],dtype=np.float32)
H2 = np.array([[-1,-1,-1],[-1,9,-1],[-1,-1,-1]],dtype=np.float32)
H3 = np.array([[1,-2,1],[-2,5,-2],[1,-2,1]],dtype=np.float32)
H4 = np.array([[0,-2,0],[-2,19,-2],[0,-2,0]],dtype=np.float32)*(1/7)
H5 = np.array([[-2,-1,-2],[-1,6,-1],[-2,-1,-2]],dtype=np.float32)*(1/2)
result = cv.convertScaleAbs(cv.filter2D(image,cv.CV_16S,H5))
cv.imshow("image",image)
cv.imshow("result",result)
cv.waitKey(0)
cv.destroyAllWindows()

选择H5时，输出如下：

6.补充一个算子

Scharr算子是对Sobel算子的改进，Sobel算子对于图像中较弱的边缘提取效果比较差，因此提出了Scharr算子来弥补这一缺陷，具体的算子：

也是两个方向，OpenCV有相应的API——Scharr(),具体代码如下：

import cv2 as cv
import numpy as np
path = "C:\\Users\\27914\\Desktop\\images\\test2.jpg"
image = cv.imread(path,cv.IMREAD_GRAYSCALE)
#Scharr算子
scharrx = cv.Scharr(image,cv.CV_16S,dx=1,dy=0)
scharry = cv.Scharr(image,cv.CV_16S,dx=0,dy=1)
scharrx = cv.convertScaleAbs(scharrx)
scharry = cv.convertScaleAbs(scharry)
result = cv.addWeighted(scharrx,0.5,scharry,0.5,0)
cv.imshow("image",image)
cv.imshow("result",result)
cv.waitKey(0)
cv.destroyAllWindows()

输出：

Scharr()这个API与Sobel()差不多，只不过没有ksize这个参数，读者可以参考Sobel的参数解释。