前提：各种算子不完全区分好坏，但根据我实际操作分析得到，有的算子之间效果大相径庭，但有的也很相似，也就是各有各的用法，这里按
Sobel、Laplace、canny三种算子作比较，看其结果：
一、 Sobel、Laplace、canny边缘提取（）
- Sobel算子边缘提取
注释：gray 灰度转换后的图像，前面省略了一部灰度转换的步骤，后面代码会补上
1，表示x方向的差分阶数，1或0------------------------------>如果只写一个1，代表x方向提取---》1，0
1，表示y方向的差分阶数，1或0------------------------------->如果只写一个1，代表y方向提取---》0，1
sobel = cv2.Sobel(gray, cv2.CV_8U, 1, 1)#sobel算子边缘检测 PointInvert_sobel=255-sobel#反色
2.Laplace算子边缘提取
注释：这里要说的是通过对比sobel算子的结果，发现Laplace比sobel效果更好，可以说是加强版，效果如下所示
laplace = cv2.Laplacian(gray, cv2.CV_8U, ksize=3)#laplace算子边缘检测 PointInvert_laplace=255-laplace
3.Canny算子边缘提取
注释：上一节提到过：其效果多变，主要是看设置的阈值的范围，
当我们改变阈值后，图像后渐渐过滤掉一些背景，当然，重在阈值的选取上，当阈值选大的时候，也是会将图像的特征完全损坏的。
canny=cv2.Canny(gray, 50, 150)#canny边缘检测
PointInvert_canny=255-canny#canny图像反色
函数中阈值1和阈值2两者的小者用于边缘连接，而大者用来控制强边缘的初始段，推荐的高低阈值比在2:1到3:1之间
二、四种图像的代码演示