【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）

我是夜阑的狗

已于 2024-05-13 14:20:22 修改

阅读量2.2k

点赞数 58

分类专栏：数字图像处理文章标签：笔记 matlab 开发语言

于 2024-05-08 14:42:07 首次发布

本文链接：https://blog.csdn.net/csh1807266489/article/details/138134078

版权

数字图像处理专栏收录该内容

4 篇文章 5 订阅

订阅专栏

请添加图片描述

💌 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！！！🤩 🤩 🤩

请添加图片描述

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

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

该梯度向量的模为
$\tag{4-1}\begin{vmatrix}G[f(x,y)]\end{vmatrix}=\begin{bmatrix} \bigg( \frac {\partial f} {\partial x}\bigg)^2 + \bigg( \frac {\partial f} {\partial y}\bigg)^2 \end{bmatrix}^{1/2}$

数字图像处理中，把 $(4 - 36))$ 式所表示的值， $\begin{vmatrix}G[f(x,y)]\end{vmatrix}$ 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

$\tag{4-2} \begin{vmatrix}G[f(x,y)]\end{vmatrix}= \{[f(x+y)-f(x+1,y)]^2+[f(x,y)-f(x,y+1)^2] \}^{1/2}$

另一种常用的梯度称为 Roberts 梯度，定义为

$\tag{4-3} \begin{vmatrix}G[f(x,y)]\end{vmatrix}= \{[f(x+y)-f(x+1,y+1)]^2+[f(x+1,y)-f(x,y+1)^2] \}^{1/2}$

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

$\tag{4-4} \begin{vmatrix}G[f(x,y)]\end{vmatrix}= \begin{vmatrix}f(x,y) - f(x+1,y)\end{vmatrix} + \begin{vmatrix} f(x,y)-f(x,y+1)\end{vmatrix}$

$\tag{4-4} \begin{vmatrix}G[f(x,y)]\end{vmatrix}= \begin{vmatrix}f(x,y) - f(x+1,y+1)\end{vmatrix} + \begin{vmatrix} f(x+1,y)-f(x,y+1)\end{vmatrix}$

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：

在这里插入图片描述

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。🌹 🌹 🌹

在这里插入图片描述

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！！

我是夜阑的狗

关注

58
点赞
踩
24

收藏

觉得还不错? 一键收藏
打赏
9
评论
【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）

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。【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👏👏。
复制链接

扫一扫