【数字图像处理笔记】Matlab实现微分法图像锐化 罗伯特（Roberts）-索贝尔（Sobel）-普瑞维特（Prewitt）-拉普拉斯（Laplace）算子 （四）

• 💌 所属专栏：【数字图像处理笔记】

• 😀 作  者：我是夜阑的狗🐶

• 🚀 个人简介：一个正在努力学技术的CV工程师，专注基础和实战分享 ，欢迎咨询！

• 💖 欢迎大家：这里是CSDN，我总结知识的地方，喜欢的话请三连，有问题请私信 😘 😘 😘
  
  

您的点赞、关注、收藏、评论，是对我最大的激励和支持！！！🤩 🤩 🤩

---

前言

  大家好，又见面了，我是夜阑的狗🐶，本文是专栏【数字图像处理笔记】专栏的第4篇文章;
  这是今天学习到数字图像处理笔记 – Matlab实现微分法图像锐化 罗伯特（Roberts）-索贝尔（Sobel）-普瑞维特（Prewitt）-拉普拉斯（Laplace）算子 💖💖💖，开启新的征程，记录最美好的时刻🎉，每天进步一点点。
  专栏地址：【数字图像处理笔记】 ， 此专栏是我是夜阑的狗对数字图像处理学习过程的总结，希望能够加深自己的印象，以及帮助到其他的小伙伴😉😉。
  如果文章有什么需要改进的地方还请大佬不吝赐教👏👏。

一、原理

  在图像锐化中，最常用的微分法采用梯度的概念来实现。设有一幅图像$f（x，y）$，它的梯度采用数学概念描述，是一个向量，定义为

$$G[f(x,y)]={\left[\begin{array}{c}\frac{\partial f}{\partial x}\frac{\partial f}{\partial y}\end{array}\right]}^T$$

  该梯度向量的模为
$$\left|\begin{array}{c}G[f(x,y)]\end{array}\right|={\left[\begin{array}{c}(\frac{\partial f}{\partial x}{)}^2+(\frac{\partial f}{\partial y}{)}^2\end{array}\right]}^{1/2}\text{\hspace{1em}(4-1)}$$

  数字图像处理中，把$(4-36))$式所表示的值， $\left|\begin{array}{c}G[f(x,y)]\end{array}\right|$ 称为图像 $f(x，y)$的梯度，它是$x$，$y$的函数，因而实际上是图像$f(x，y)$的梯度图像。
  对于数字图像$f(x，y)$来讲，微分∂f/∂x 和 ∂f/∂y 只能用差分来近似。$(4－1)$式按差分运算近似以后的梯度表达式为

$$\left|\begin{array}{c}G[f(x,y)]\end{array}\right|=\{[f(x+y)-f(x+1,y){]}^2+[f(x,y)-f(x,y+1{)}^2]{\}}^{1/2}\text{\hspace{1em}(4-2)}$$

  另一种常用的梯度称为 Roberts 梯度，定义为

$$\left|\begin{array}{c}G[f(x,y)]\end{array}\right|=\{[f(x+y)-f(x+1,y+1){]}^2+[f(x+1,y)-f(x,y+1{)}^2]{\}}^{1/2}\text{\hspace{1em}(4-3)}$$

  利用$(4—37)$和$(4－38)$式计算梯度时，计算量较大，为节省计算机计算时间，在计算精度允许的情况，可采用绝对差算法。对应$(4—37)$式和$(4—38)$式的绝对差算法为

$$\left|\begin{array}{c}G[f(x,y)]\end{array}\right|=\left|\begin{array}{c}f(x,y)-f(x+1,y)\end{array}\right|+\left|\begin{array}{c}f(x,y)-f(x,y+1)\end{array}\right|\text{\hspace{1em}(4-4)}$$

$$\left|\begin{array}{c}G[f(x,y)]\end{array}\right|=\left|\begin{array}{c}f(x,y)-f(x+1,y+1)\end{array}\right|+\left|\begin{array}{c}f(x+1,y)-f(x,y+1)\end{array}\right|\text{\hspace{1em}(4-4)}$$

二、实现过程

1、罗伯特算子（Roberts）

  代码：

%不同算子边缘检测具体函数实现：
%罗伯特算子
function [edge]= RobertsOperator(pic)
    edge = zeros(size(pic));
    h = size(pic, 1);   %获取图像的高
    w = size(pic, 2);   %获取图像的宽
    for i = 1 : h - 1
        for j = 1 : w - 1
            edge(i, j) =abs(pic(i, j) - pic(i + 1, j + 1)) + abs(pic(i, j + 1) - pic(i + 1, j));
        end
    end
end

  罗伯特算子函数核心源码分析：

function [edge]= RobertsOperator(pic)
    edge = zeros(size(pic));%初始化边缘矩阵
    h = size(pic, 1); %图片行数
    w = size(pic, 2);%图片列数
	%利用局部差分计算梯度算子，即对角方向相邻两像素值之差。
    for i = 1 : h - 1
        for j = 1 : w - 1
            edge(i, j) =abs(pic(i, j) - pic(i + 1, j + 1)) + abs(pic(i, j + 1) - pic(i + 1, j));
        end
    end
end

2、索贝尔算子（Sobel）

  代码：

%索贝尔算子 
function [edge] = SobelOperator(pic)
    edge = zeros(size(pic));
    h = size(pic, 1);   %获取图像的高
    w = size(pic, 2);   %获取图像的宽
    gx = [-1, -2, -1; 0, 0, 0; 1, 2, 1]; %索贝尔模板
    gy = gx';
    for i = 2 : h - 1
        for j = 2 : w - 1
            sub = double(pic(i - 1 : i + 1, j - 1 : j + 1));
            g1 = abs(sum(sum(sub .* gx)));
            g2 = abs(sum(sum(sub .* gy)));
            if g1 > g2
                edge(i, j) = g1;
            else
                edge(i, j) = g2;
            end
        end
    end
end

3、普瑞维特算子（Prewitt）

  代码：

function [edge] = PrewittOperator(pic)
    edge = zeros(size(pic));
    h = size(pic, 1);   %获取图像的高
    w = size(pic, 2);   %获取图像的宽
    gx = [-1, -1, -1; 0, 0, 0; 1, 1, 1]; %普瑞维特模板
    gy = gx';
    for i = 2 : h - 1
        for j = 2 : w - 1
            sub = double(pic(i - 1 : i + 1, j - 1 : j + 1));
            g1 = abs(sum(sum(sub .* gx)));
            g2 = abs(sum(sum(sub .* gy)));
            if g1 > g2
                edge(i, j) = g1;
            else
                edge(i, j) = g2;
            end
        end
    end
end

4、拉普拉斯算子（Laplace）

  代码：

function [edge] = LaplaceOperator(pic)
    edge =zeros(size(pic));
    h = size(pic, 1);   %获取图像的高
    w = size(pic, 2);   %获取图像的宽
    l = [0, 1, 0; 1, -4, 1; 0, 1, 0];  %拉普拉斯模板
    for i = 2 : h - 1
        for j = 2 : w - 1
            sub = double(pic(i - 1 : i + 1, j - 1 : j + 1));
            d = sum(sum(sub .*l));
            edge(i, j) =d;
        end
    end
end

  拉普拉斯算子函数核心源码分析：

function [edge] = LaplaceOperator(pic)
  edge =zeros(size(pic)); %初始化边缘矩阵
  h = size(pic, 1); %图片行数
  w = size(pic, 2); %图片列数
    l = [0, 1, 0; 1, -4, 1; 0, 1, 0];% 拉普拉斯算子模板矩阵
    for i = 2 : h - 1
        for j = 2 : w - 1
            sub = double(pic(i - 1 : i + 1, j - 1 : j + 1));
            d = sum(sum(sub .*l));%卷积求和运算
            edge(i, j) =d;%更新边缘矩阵
        end
    end
end

  运行结果如下图所示：

  从图中可以看出，不同的梯度算子对原图像进行边缘提取的效果不同。其中，

• 罗伯特算子：采用的是对角方向相邻像素值之差，定位比较精准。
• 索贝尔算子：对灰度渐变和噪声较多的图像处理效果较好，采用的是加权平均再进行微分运算的方法。
• 普瑞维特算子：利用局部差分平均方法寻找边缘，效果和索贝尔算子接近。
• 拉普拉斯算子：一种二阶导数算子，对噪声更敏感，能对任何走向的界线和线条进行锐化，无方向性。

  因此一般用于判断边缘像素相对图像的明暗程度，不直接用于边缘检测。

---

总结

  感谢观看，如果觉得有帮助，请给文章点个赞吧，让更多的人看到。🌹 🌹 🌹

  也欢迎你，关注我。👍 👍 👍

  原创不易，还希望各位大佬支持一下，你们的点赞、收藏和留言对我真的很重要！！！💕 💕 💕 最后，本文仍有许多不足之处，欢迎各位认真读完文章的小伙伴们随时私信交流、批评指正！下期再见。🎉

更多专栏订阅:

• 😀 【LeetCode题解（持续更新中）】
• 🌼 【鸿蒙系统】
• 👑 【Python脚本笔记】
• 🚝 【Java Web项目构建过程】
• 💛 【微信小程序开发教程】
• ⚽ 【JavaScript随手笔记】
• 🤩 【大数据学习笔记（华为云）】
• 🦄 【程序错误解决方法（建议收藏）】
• 🚀 【软件安装教程】

订阅更多，你们将会看到更多的优质内容！！