Opencv(C++)学习系列---Sobel索贝尔算子边缘检测

目录

【1】算法简介

【2】算子参数介绍

【3】完整代码

---

【1】算法简介

        Sobel算子是一种用于边缘检测的线性滤波器，如果把图像看做是一个二维函数，那么Sobel算子就是图像在垂直和水平方向上变化的速度（即梯度）。Sobel算子在水平和垂直方向上做像素值的差分，能够得到图像梯度的近似值，在像素周围进行运算时，能够减少噪声带来的影响。

其对应的内核函数为：

       Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好，sobel算子对边缘定位不是很准确，图像的边缘不止一个像素；当对精度要求不是很高时，是一种较为常用的边缘检测方法。对于细小边缘检测要求较高的，可以采用scharr算子，它是在sobel算子的基础上进行改进，在不影响检测速度的前提下，提高了边缘检测的精度。

        sobel算子和scharr算子他们的卷积核大小是一样的。这意味着他们计算起来，工作量是一样的。

 具体算法流程可以参考这篇文章：

https://blog.csdn.net/great_yzl/article/details/119709699?ops_request_misc=&request_id=&biz_id=102&utm_term=opencv%20sobel%E8%BE%B9%E7%BC%98%E6%A3%80%E6%B5%8B&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-4-119709699.nonecase&spm=1018.2226.3001.4187目录一、基础理论二、实战1、对x方向微分2、对y方向微分3、线性混合总代码参考资料一、基础理论Sobel算子：用于边缘检测的离散微分算子。梯度公式：对于图像而言，它是离散的，所以h的最小值只能是1了，那么这意味着，图像中某个像素位置的梯度（以x方向为例）等于它左右两个像素点的像素之差除以2。例：假设有一行像素是这样分布的：123 155 173那么，像素值为155的像素位置x方向的梯度为（173 - 123）/2 = 25Prewit...https://blog.csdn.net/great_yzl/article/details/119709699?ops_request_misc=&request_id=&biz_id=102&utm_term=opencv%20sobel%E8%BE%B9%E7%BC%98%E6%A3%80%E6%B5%8B&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-4-119709699.nonecase&spm=1018.2226.3001.4187

【2】算子参数介绍

cv::Sobel(image, // 输入的图像可以是三通道，也可是单通道
          sobel, // 输出
          image_depth, // 图像类型
          xorder,yorder, // 内核规格
          kernel_size, // 正方形内核的尺寸
          alpha, beta); // 比例和偏移量

参数简介：

      输出图像的像素类型是可以选择的：无符号字符型、有符号整数或浮点数。对于sobel算子而言一般选择类型为CV_16S。如果结果超出了像素值域的范围，就会进行饱和度运算，在生成最终图像之前，可以将结果缩放（相乘）alpha倍，并加上偏移量beta。

        每个Sobel 掩码都是一个方向上的导数，因此要用两个参数来指明将要应用的内核，即x方向和y 方向导数的阶数。例如，如果xorder和yorder分别为1 和0，则得到水平方向Sobel内核；如果分别是0和1，则得到垂直方向的内核。内核的尺寸也可以大于3×3。可选的尺寸有1、3、5 和7。内核尺寸为1，表示一维Sobel 滤波器（1×3 或3×1）。

【3】完整代码

#include<opencv2\opencv.hpp>
#include<opencv2\imgproc\imgproc.hpp>
#include<opencv2\highgui\highgui.hpp>

using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
	//载入原始图
	Mat src = imread("E:\\乔大花进度\\11-28\\边缘检测\\3.jpg");
	//【1】创建abs_grad_x，abs_grad_y,dst矩阵;
	Mat grad_x, grad_y;
	Mat abs_grad_x,abs_grad_y,dst;

	//【2】显示原始图
	imshow("原始图",src);

	//【3】求x方向梯度
	Sobel(src,grad_x,CV_16S,1,0,3);
	convertScaleAbs(grad_x,abs_grad_x);

	imshow("x方向sobel",abs_grad_x);

	Scharr(src, grad_y, CV_16S, 0, 1, 9);
	convertScaleAbs(grad_y,abs_grad_y);
	imshow("y方向sobel",abs_grad_y);

	//【5】合并梯度(近似)
	addWeighted(abs_grad_x,0.5,abs_grad_y,0.5,0,dst);
	cout << "Sobel输出图像的类型为：" << dst.type() << endl;
	cout << "Sobel输出图像的通道数" << dst.channels() << endl;
	imshow("整体效果",dst);

	waitKey(0);
	system("pause");
	destroyAllWindows();

	return 0;

}

运行结果：