使用skimage与OpenCV计算图像梯度和拉普拉斯算子结果差异排查

我使用skimage和cv2编写了如下代码，对比图像的垂直、水平梯度以及拉普拉斯算子的计算结果：

import sys
import matplotlib.pyplot as plt
from matplotlib.image import imread
import skimage
import cv2

def plot(ax, img, title):
    ax.imshow(img) # cmap = 'gray'
    ax.set_title(title)
    ax.set_xticks([])
    ax.set_yticks([])

img = imread("./strawberry.jpg")
laplacian = cv2.Laplacian(img,cv2.CV_32F)
sobelx = cv2.Sobel(img,cv2.CV_32F,1,0,ksize=3)
sobely = cv2.Sobel(img,cv2.CV_32F,0,1,ksize=3)

fig1 = plt.figure(figsize=(10, 10))
fig1.suptitle('cv2', fontsize=14, fontweight='bold')
ax = fig1.add_subplot(221)
plot(ax, img, 'Original')
ax = fig1.add_subplot(222)
plot(ax, laplacian, 'Laplacian')
ax = fig1.add_subplot(223)
plot(ax, sobelx, 'Sobel X')
ax = fig1.add_subplot(224)
plot(ax, sobely, 'Sobel Y')
fig1.set_tight_layout(True)

laplacian = skimage.filters.laplace(img,ksize=5)
sobelx = skimage.filters.sobel(img, axis=0)
sobely = skimage.filters.sobel(img, axis=1)

fig2 = plt.figure(figsize=(10, 10))
fig2.suptitle('skimage', fontsize=14, fontweight='bold')
ax = fig2.add_subplot(221)
plot(ax, img, 'Original')
ax = fig2.add_subplot(222)
plot(ax, laplacian, 'Laplacian')
ax = fig2.add_subplot(223)
plot(ax, sobelx, 'Sobel X')
ax = fig2.add_subplot(224)
plot(ax, sobely, 'Sobel Y')
fig2.set_tight_layout(True)

plt.show()

运行后得到的结果：

• cv2处理结果：图像颜色异常，梯度图呈现偏色或过曝效果
• skimage处理结果：梯度和拉普拉斯图为灰度，边缘清晰

发现两者结果差异极大，即使算子核存在差异，也不应出现如此明显的区别，请问我的脚本中是否存在遗漏的处理步骤？

你的代码存在三个核心问题，导致两者结果可视化差异巨大：

1. 输入图像的格式与预处理不一致 #

• scikit-image的filters.sobel和filters.laplace更适合处理单通道灰度图，且会自动将uint8类型（0-255）的输入转换为[0,1]范围的浮点型；而OpenCV的算子虽支持多通道，但输出的CV_32F类型数值范围未归一化，直接可视化会出错。
• 你直接用RGB图像输入两个库的算子，scikit-image会对每个通道单独计算后合并，OpenCV同理，但输出的数值范围和通道处理逻辑的差异会放大可视化区别。

2. 可视化未做归一化与灰度映射 #

• 你注释掉了cmap='gray'，导致OpenCV输出的多通道浮点数组被当作RGB图像显示，颜色完全混乱；scikit-image的输出是归一化后的图像，默认显示正常。
• OpenCV算子输出的梯度值包含正负，直接显示会截断负值，导致细节丢失。

3. 算子参数不匹配 #

• OpenCV的拉普拉斯算子默认使用3x3核，而你给scikit-image设置了ksize=5，核大小差异会进一步放大结果区别。

修正后的代码 #

import matplotlib.pyplot as plt
from matplotlib.image import imread
import skimage
import cv2
import numpy as np

def plot(ax, img, title, is_gray=True):
    # 对浮点型图像做最小-最大归一化，确保可视化范围在[0,1]
    if img.dtype in [np.float32, np.float64]:
        img = (img - img.min()) / (img.max() - img.min())
    # 统一灰度图像的可视化映射
    if is_gray:
        ax.imshow(img, cmap='gray')
    else:
        ax.imshow(img)
    ax.set_title(title)
    ax.set_xticks([])
    ax.set_yticks([])

# 读取图像并转为灰度图，统一输入格式
img_rgb = imread("./strawberry.jpg")
img_gray = skimage.color.rgb2gray(img_rgb)
# 转为OpenCV兼容的uint8灰度图
img_cv_gray = (img_gray * 255).astype(np.uint8)

# OpenCV处理部分，统一核大小为3
laplacian_cv = cv2.Laplacian(img_cv_gray, cv2.CV_32F, ksize=3)
sobelx_cv = cv2.Sobel(img_cv_gray, cv2.CV_32F, 1, 0, ksize=3)
sobely_cv = cv2.Sobel(img_cv_gray, cv2.CV_32F, 0, 1, ksize=3)

fig1 = plt.figure(figsize=(10, 10))
fig1.suptitle('cv2', fontsize=14, fontweight='bold')
ax = fig1.add_subplot(221)
plot(ax, img_rgb, 'Original', is_gray=False)
ax = fig1.add_subplot(222)
plot(ax, laplacian_cv, 'Laplacian')
ax = fig1.add_subplot(223)
plot(ax, sobelx_cv, 'Sobel X')
ax = fig1.add_subplot(224)
plot(ax, sobely_cv, 'Sobel Y')
fig1.set_tight_layout(True)

# scikit-image处理部分，统一核大小为3
laplacian_sk = skimage.filters.laplace(img_gray, ksize=3)
sobelx_sk = skimage.filters.sobel(img_gray, axis=0)
sobely_sk = skimage.filters.sobel(img_gray, axis=1)

fig2 = plt.figure(figsize=(10, 10))
fig2.suptitle('skimage', fontsize=14, fontweight='bold')
ax = fig2.add_subplot(221)
plot(ax, img_rgb, 'Original', is_gray=False)
ax = fig2.add_subplot(222)
plot(ax, laplacian_sk, 'Laplacian')
ax = fig2.add_subplot(223)
plot(ax, sobelx_sk, 'Sobel X')
ax = fig2.add_subplot(224)
plot(ax, sobely_sk, 'Sobel Y')
fig2.set_tight_layout(True)

plt.show()

关键修正点 #

• 统一将RGB图像转为灰度图，保证两个库的输入一致。
• 对OpenCV输出的浮点型结果做归一化，确保可视化时数值范围有效。
• 启用cmap='gray'，统一灰度图像的可视化方式。
• 拉普拉斯算子统一使用ksize=3，消除核大小差异的影响。

内容的提问来源于stack exchange，提问作者user11634