【边缘检测】八方向sobel图像边缘检测【含Matlab源码 1865期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、八方向Sobel算子的边缘检测算法简介

1 引言
随着数字图像的广泛应用, 对图像精度的要求也逐步提高。边缘是目标图像与背景图像的分界, 是图像最基本的特征之一。图像边缘蕴含了图像丰富的内在信息 (如方向、阶跃性质与形状等) , 因此边缘提取是图像分析和识别领域中一个十分重要的课题。边缘检测作为一个预处理过程, 广泛应用于图像分割、模式识别和运动分析等领域。在灰度图像中, 边缘表现为图像局部的灰度不连续性, 边缘点对应于一阶微分极大值点或二阶导数的零交叉点。传统的边缘检测方法有Roberts、Sobel、Prewitt、Laplacian、Marr、Wallis、形态学算子及小波变换等。这些算子主要是应用空域卷积算法, 通过模板与图像的卷积来提取边缘。空域卷积算法具有较强的普适性和计算速度快等优势, 因此得到了广泛的应用。但传统的边缘检测算法对图像边缘的方向特征考虑较少, 常丢失部分边缘细节。本文以Sobel算子为模型, 提出了一种多方向的边缘检测算法, 该算法采用0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°8个方向的模板进行检测, 使得检测出的图像边缘较为完整, 连续性较好。

2 边缘检测算法
2.1 Sobel算子基本原理
假设连续图像函数为f (x, y) , 函数在 (x, y) 处的梯度是一个具有方向和大小的矢量[8], 即:
式中, i、j分别为x、y方向的单位矢量。基于梯度的算子都建立在这一基础之上。梯度算子的幅值和方向分别为:
由式 (2) 计算出的grad[f (x, y) ]值即为图像在 (x, y) 处的边缘数据。上式是针对连续图像函数给出的定义, 而在实际应用中采集的图像是以像素为单位的离散数据, 因此在数字图像处理中常用相邻或间隔像素差分值来表征图像的边缘信息。
Sobel算子是利用水平方向和竖直方向模板 (如图1 (a) 、 © ) 与对应的图像数据进行卷积, 来对离散的数据进行加权计算。这两个方向模板分别用于水平方向的边缘检测和竖直方向的边缘检测。

图1 扩展的Sobel算子卷积模板

Sobel边缘检测算子对像素灰度值做了加权平均, 提供了较为连续的边缘方向信息。在技术上, Sobel算子是一种利用离散性差分算子计算图像亮度梯度的近似值。在图像的任何一点使用此算子, 将会产生对应的梯度矢量。不足之处是, Sobel算子只考虑了水平和垂直两个方向。文献[1]将Sobel算子扩展到0°、45°、90°、135°4个方向的模板 (如图1所示) , 使边缘检测效果得到明显改善, 但仍会漏检图像的一些细节。本文提出了一种八方向的边缘检测算法。通过仿真验证, 本文算法检测出的图像边缘较为完整, 轮廓线清晰且连续性较好。

2.2 基于八方向Sobel算子的边缘检测模板
本文算法采用大小为5×5的八方向模板。8个方向分别为0°、22.5°、45°、67.5°、90°、112.5°、135°和157.5° (见图2) 。

图2 本文算法卷积模板
在图2给出的模板中, 不同位置的权值w (m, n) 基于下面给出的式 (4) -式 (6) 计算得到:
式中, d (m, n) 为坐标为 (m, n) 的模板元素到坐标为 (i, j) 的模板中心的欧氏距离, u为调整系数 (与模板大小有关, 本文取u=3) , g (m, n) 为 (m, n) 处的实数权值。为简化计算, 对g (m, n) 上取整作为模板中的元素。式 (6) 中“[]”代表上取整运算。

图3描述了基于式 (5) 的、模板像素到中心像素的距离与权值关系。图中横坐标为模板像素到中心像素的距离, 纵坐标是对应的权值。由图可知, 模板像素到中心像素的距离越小, 权值越大;反之, 模板像素到中心像素的距离越大, 权值越小。

图3 权值与距离关系示意图
该算法分别利用八方向模板与对应的图像数据进行卷积做近似计算。算法取8个缓存中灰度值较大者作为当前像素输出值。

2.3 算法实现
设矩阵[f (i, j) ]表示待检测的图像 (其中 (i, j) 表示各像素点的坐标) , f (i, j) 表示图像在 (i, j) 处的灰度值, w[f (i, j) ]表示以点 (i, j) 为中心的5×5窗口, g (i, j) 为经过边缘检测后的图像在点 (i, j) 的灰度输出。
算法实现步骤:
设mk (k=1, 2, …, 8) 为图2给出的8个5×5模板, n为具有8个元素的整型数组。对图像中的每一个像素 (坐标为 (i, j) ) 进行如下处理:
Step 1对待处理像素 (i, j) , 利用模板mk (k=1, 2, …, 8) 与w[f (i, j) ]进行卷积, 并将卷积结果的绝对值存入数组元素n[k] (k=1, 2, …, 8) 中;
Step 2查找由Step 1中得到的数组n中所有元素的最大值:
2.1初始化max=n[0], k=1;
2.2若n[k]>max, 则令max=n[k];
2.3若k<8, 则k=k+1, 转2.2;否则转Step 3;
Step 3将max赋给g (i, j) , 作为该像素点的输出值。

⛄二、部分源代码

clear all;clc
s0=[-1,-2,-1;0,0,0;1,2,1];
s45=[-2,-1,0;-1,0,1;0,1,2];
s90=[-1,0,1;-2,0,2;-1,0,1];
s135=[0,1,2;-1,0,1;-2,-1,0];
s180=[1,2,1;0,0,0;-1,-2,-1];
s225=[2,1,0;1,0,-1;0,-1,-2];
s270=[1,0,-1;2,0,-2;1,0,-1];
s315=[0,-1,-2;1,0,-1;2,1,0];%八个方向的sobel算子
A=imread(‘1.bmp’);
[u,v]=size(A);
B=zeros(u,v);
B1=uint16(B);%生成和原图片大小相同的图片,但考虑经过边缘检测后值较大故设置为uint16
for i=1:u
for j=1:v
B1(i,j)=A(i,j);
end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]郑英娟,张有会,王志巍,张静,范胜娟.基于八方向Sobel算子的边缘检测算法[J].计算机科学. 2013,40(S2)
[2]刘源,夏春蕾.一种基于Sobel算子的带钢表面缺陷图像边缘检测算法[J].电子测量技术. 2021,44(03)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合