【译】Sobel 算子文档

参考网址：https://docs.opencv.org/2.4/doc/tutorials/imgproc/imgtrans/sobel_derivatives/sobel_derivatives.html

一.目标
在这篇指南中你将学会如何：

• 使用OpenCV 中的Sobel 算子计算图像中的导数。
• 使用OpenCV 中的Scharr 算子计算一个3*3大小的核的一个更精确的导数。

二.理论
说明：下面的解释说明来自由Bradski 和Kaehler写的《Learning OpenCV》

为什么计算图像中的衍生物的微积分十分重要？让我们想象如果我们想要检测到图像中出现的边缘，如下图：

你会发现在边缘处，像素点亮度出现显著的变化。使用导数能够很好的展现变化。梯度上的变化表现出图像中的较大的变化。

为了图示的更加清晰，假设我们有一个一维的图像，下面图表中亮度值的“跳跃”表现出边缘部分：

如果我们求第一次导数（事实上，图中表现为最大点），边缘部分的“跳跃”更能够表现出来。

所以，根据上述的解释说明，我们可以推导出一个在图像中检测边缘的方法，即通过确定一个梯度值大于领域中其他像素点（推广思路可改用阈值）的点的位置并表现在图像中。

更多的细节解释，可以参考Bradski 和Kaehler 的《Learning OpenCV》

Sobel 算子

1. Sobel 算子是一个具体的差异化的算子。它用于计算图像中亮度梯度的估计值。
2. Sobel 算子是将差异化和高斯滤波合并起来

处理
假设待处理的图像为I:

1. 我们计算两个导数：
   a.水平变化：通过计算I 与核$G_x$的卷积，其中$G_x$是一个具有奇数边长的核。比如对于一个3*3的核，$G_x$可以像下面这样计算：
   $G_x$ = ∣∣∣∣−1−2−1000+1+2