Sobel算子介绍
在介绍sobel之前简单说明一下差分的概念。
差分：
与微分对应。差分对应于离散数据，微分对应于连续数据。差分的阶数与微分类
似，一次差分是一阶，差分后再差分就是二阶。
差分可以分为前向差分、后向差分和中心差分。
前向差分：
x
k
=
x
o
+
k
h
,
(
k
=
0
,
1
,
.
.
.
,
n
)
Δ
f
(
x
k
)
=
f
(
x
k
+
1
)
−
f
(
x
k
)
x_k=x_o+kh,(k=0,1,...,n)\\ \Delta f\left(x_{k}\right)=f\left(x_{k+1}\right)-f\left(x_{k}\right)
xk=xo+kh,(k=0,1,...,n)Δf(xk)=f(xk+1)−f(xk)
后向差分：
Δ
f
(
x
k
)
=
f
(
x
k
)
−
f
(
x
k
−
1
)
\Delta f\left(x_{k}\right)=f\left(x_{k}\right)-f\left(x_{k-1}\right)
Δf(xk)=f(xk)−f(xk−1)
中心差分：
Δ
f
(
x
k
)
=
1
2
(
f
(
x
k
+
1
)
−
f
(
x
k
−
1
)
)
\Delta f\left(x_{k}\right)=\frac{1}{2}\left(f\left(x_{k+1}\right)-f\left(x_{k-1}\right)\right)
Δf(xk)=21(f(xk+1)−f(xk−1))
差分的结果反映了离散量之间的一种变化，是研究离散数学的一种工具，常用函数差近似导数。
一阶导数的差分表示:
取
x
=
x
k
+
1
,
x
0
=
x
k
x=x_{k+1}, x_{0}=x_{k}
x=xk+1,x0=xk，可得前向差分公式：
f
′
(
x
k
)
=
f
(
x
k
+
1
)
−
f
(
x
k
)
x
k
+
1
−
x
k
f^{\prime}\left(x_{k}\right) = \frac{f\left(x_{k+1}\right)-f\left(x_{k}\right)}{x_{k+1}-x_{k}}
f′(xk)=xk+1−xkf(xk+1)−f(xk)
取
x
=
x
k
−
1
,
x
0
=
x
k
x=x_{k-1}, x_{0}=x_{k}
x=xk−1,x0=xk，可得后向差分公式：
f
′
(
x
k
)
=
f
(
x
k
)
−
f
(
x
k
−
1
)
x
k
−
x
k
−
1
f^{\prime}\left(x_{k}\right) = \frac{f\left(x_{k}\right)-f\left(x_{k-1}\right)}{x_{k}-x_{k-1}}
f′(xk)=xk−xk−1f(xk)−f(xk−1)
取
x
0
=
x
k
x_0=x_k
x0=xk,
x
x
x分别取
x
k
−
1
,
x
k
+
1
x_{k-1},x_{k+1}
xk−1,xk+1并将两式相减，可得中心差分公式：
f
′
(
x
k
)
=
f
(
x
k
+
1
)
−
f
(
x
k
−
1
)
x
k
+
1
−
x
k
−
1
f^{\prime}\left(x_{k}\right)=\frac{f\left(x_{k+1}\right)-f\left(x_{k-1}\right)}{x_{k+1}-x_{k-1}}
f′(xk)=xk+1−xk−1f(xk+1)−f(xk−1)
二阶导数的差分表示
取
x
0
=
x
k
,
x
x_0=x_k,x
x0=xk,x分别取
x
k
−
1
,
x
k
+
1
x_{k-1},x_{k+1}
xk−1,xk+1并将两式相加，本质是对差分后的项再求差分，可得中心差分公式：
f
′
′
(
x
k
)
=
f
(
x
k
+
1
)
+
f
(
x
k
−
1
)
−
2
f
(
x
k
)
h
2
f^{\prime \prime}\left(x_{k}\right)=\frac{f\left(x_{k+1}\right)+f\left(x_{k-1}\right)-2 f\left(x_{k}\right)}{h^{2}}
f′′(xk)=h2f(xk+1)+f(xk−1)−2f(xk)
Sobel 核
Soble 核的作用是充分提取像素附近 x 方向及 y 方向上的差分信息。
假设图像中某个像素
z
5
z_5
z5及其8邻域像素可表示为如图 ：
我们要从此邻域中提取四个方向的差分信息，即两个对角
(
z
1
,
z
9
)
(
z
3
,
z
7
)
(z_1,z_9)(z_3,z_7)
(z1,z9)(z3,z7)，一个垂直方向
(
z
2
,
z
8
)
(z_2,z_8)
(z2,z8)，一个水平方向
(
z
6
,
z
4
)
(z_6,z_4)
(z6,z4)。给定四个向量来定义两两像素之间的差分方向，即
[
−
1
,
1
]
,
[
1
,
1
]
,
[
0
,
1
]
,
[
1
,
0
]
[-1,1],[1,1],[0,1],[1,0]
[−1,1],[1,1],[0,1],[1,0]，它们的具体取值与像素和
z
5
z_5
z5的位置相关，如上图所示，并且这四个向量与上述的四个像素对一一对应。
可以定义梯度矢量如下：
对于
(
z
3
,
z
7
)
(z_3,z_7)
(z3,z7)，他们之间的距离参照曼哈顿距离，为2+2=4，则该像素对的梯度矢量为：
∣
g
(
z
1
,
z
9
)
∣
=
(
z
1
−
z
9
)
[
−
1
,
1
]
4
\left|g_{\left(z_{1}, z_{9}\right)}\right|=\frac{\left(z_{1}-z_{9}\right)[-1,1]}{4}
∣∣g(z1,z9)∣∣=4(z1−z9)[−1,1]，以此类推，四个像素对的所构成的平均梯度矢量和为：
∣
g
∣
=
(
(
z
1
−
z
9
)
[
−
1
,
1
]
4
+
(
z
3
−
z
7
)
[
1
,
1
]
4
+
(
z
2
−
z
8
)
[
0
,
1
]
2
+
(
z
6
−
z
4
)
[
1
,
0
]
2
)
4
=
(
[
−
z
1
+
z
9
+
z
3
−
z
7
+
2
z
6
−
2
z
4
,
z
1
−
z
9
+
z
3
−
z
7
+
2
z
2
−
2
z
8
]
)
16
\begin{aligned} |g| &=\frac{\left(\frac{\left(z_{1}-z_{9}\right)[-1,1]}{4}+\frac{\left(z_{3}-z_{7}\right)[1,1]}{4}+\frac{\left(z_{2}-z_{8}\right)[0,1]}{2}+\frac{\left(z_{6}-z_{4}\right)[1,0]}{2}\right)}{4} \\ &=\frac{\left(\left[-z_{1}+z_{9}+z_{3}-z_{7}+2 z_{6}-2 z_{4}, z_{1}-z_{9}+z_{3}-z_{7}+2 z_{2}-2 z_{8}\right]\right)}{16} \end{aligned}
∣g∣=4(4(z1−z9)[−1,1]+4(z3−z7)[1,1]+2(z2−z8)[0,1]+2(z6−z4)[1,0])=16([−z1+z9+z3−z7+2z6−2z4,z1−z9+z3−z7+2z2−2z8])
考虑到整数运算速度更快、运算资源占用相对要小，所以，在求梯度矢量和时把分母去掉（相当于
原梯度矢量的值放大16倍），因为我们的最终目的是在图像中进行边缘检测，对所有的像素进行相同的操作对结果没有影响。那么就有：
∣
g
′
∣
=
[
−
z
1
+
z
9
+
z
3
−
z
7
+
2
z
6
−
2
z
4
,
z
1
−
z
9
+
z
3
−
z
7
+
2
z
2
−
2
z
8
]
=
[
−
z
1
+
z
3
−
2
z
4
+
2
z
6
−
z
7
+
z
9
,
z
1
+
2
z
2
+
z
3
−
z
7
−
2
z
8
−
z
9
]
\begin{aligned} \left|g^{\prime}\right| &=\left[-z_{1}+z_{9}+z_{3}-z_{7}+2 z_{6}-2 z_{4}, z_{1}-z_{9}+z_{3}-z_{7}+2 z_{2}-2 z_{8}\right] \\ &=\left[-z_{1}+z_{3}-2 z_{4}+2 z_{6}-z_{7}+z_{9}, z_{1}+2 z_{2}+z_{3}-z_{7}-2 z_{8}-z_{9}\right] \end{aligned}
∣g′∣=[−z1+z9+z3−z7+2z6−2z4,z1−z9+z3−z7+2z2−2z8]=[−z1+z3−2z4+2z6−z7+z9,z1+2z2+z3−z7−2z8−z9]
可以在此公式中拆分出
x
,
y
x,y
x,y方向的梯度，则有：
∣
g
′
∣
x
=
−
z
1
+
z
3
−
2
z
4
+
2
z
6
−
z
7
+
z
9
∣
g
′
∣
y
=
z
1
+
2
z
2
+
z
3
−
z
7
−
2
z
8
−
z
9
\begin{aligned} \left|g^{\prime}\right|_{x}&=-z_{1}+z_{3}-2 z_{4}+2 z_{6}-z_{7}+z_{9} \\ \left|g^{\prime}\right|_{y}&=z_{1}+2 z_{2}+z_{3}-z_{7}-2 z_{8}-z_{9} \end{aligned}
∣g′∣x∣g′∣y=−z1+z3−2z4+2z6−z7+z9=z1+2z2+z3−z7−2z8−z9
将
∣
g
′
∣
x
\left|g^{\prime}\right|_{x}
∣g′∣x转换为矩阵的形式以方便做卷积运算，则有：
G
x
=
[
−
1
0
1
−
2
0
2
−
1
0
1
]
G_{x}=\left[\begin{array}{lll} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{array}\right]
Gx=⎣⎡−1−2−1000121⎦⎤
同理，
∣
g
′
∣
y
\left|g^{\prime}\right|_{y}
∣g′∣y转换为：
G
y
=
[
1
2
1
0
0
0
−
1
−
2
−
1
]
G_{y}=\left[\begin{array}{ccc} 1 & 2 & 1 \\ 0 & 0 & 0 \\ -1 & -2 & -1 \end{array}\right]
Gy=⎣⎡10−120−210−1⎦⎤
由此可推导出
G
x
,
G
y
G_{x},G_{y}
Gx,Gy为Sobel滤波器水平方向、垂直方向的算子。
G
x
,
G
y
G_{x},G_{y}
Gx,Gy并不唯一，通过改变差分顺序，可以形成不同的算子。
综上所述，Sobel算子所求得的并不是传统意义上的梯度，而是包含了四个方向像素差分的信息，相比较于只考虑一个方向的差分滤波器，它的边缘检测效果更佳。
Canny边缘检测
Canny 边缘检测是一种非常流行的边缘检测算法，是 John Canny 在 1986 年提出
的。它是一个多阶段的算法，即由多个步骤构成。
1. 图像降噪
我们知道梯度算子可以用于增强图像，本质上是通过增强边缘轮廓来实现的，也就是说是可以检测到边缘的。但是，它们受噪声的影响都很大。那么，我们第一步就是想到要先去除噪声，因为噪声就是灰度变化很大的地方，所以容易被识别为伪边缘。使用各种降噪算法把图片中的噪声处理掉（一般使用高斯核，进行低通滤波）。
2.计算图像梯度
使用 sobel 核卷积，计算图像梯度（通过四个方向的差分得到，并不是严格意义上的梯度），得到可能边缘。计算图像梯度能够得到图像的边缘，因为梯度是灰度变化明显的地方，而边缘也是灰度变化明显的地方。当然这一步只能得到可能的边缘。因为灰度变化的地方可能是边缘，也可能不是边缘。这一步就有了所有可能是边缘的集合。如下所示，通过sobel算子差分求得梯度及其方向。
Edge_Gradient
(
G
)
=
G
x
2
+
G
y
2
Angle
(
θ
)
=
tan
−
1
(
G
y
G
x
)
\begin{array}{c} \text { Edge\_Gradient }(G)=\sqrt{G_{x}^{2}+G_{y}^{2}} \\ \text { Angle }(\theta)=\tan ^{-1}\left(\frac{G_{y}}{G_{x}}\right) \end{array}
Edge_Gradient (G)=Gx2+Gy2 Angle (θ)=tan−1(GxGy)
3.非极大值抑制
第三步，非极大值抑制。通常灰度变化的地方都比较集中，将局部范围内的梯度方向上，灰度变化最大的保留下来，其它的不保留，这样可以剔除掉一大部分的点。将有多个像素宽的边缘变成一个单像素宽的边缘。即“胖边缘”变成“瘦边缘”。具体如图所示
g
1
,
g
2
,
g
3
,
g
4
,
C
g_{1}, g_{2}, g_{3}, g_{4}, C
g1,g2,g3,g4,C都为像素点，在
g
1
,
g
2
,
g
3
,
g
4
g_{1}, g_{2}, g_{3}, g_{4}
g1,g2,g3,g4点上进行线性插值，并判断交点
d
T
m
p
1
dTmp_1
dTmp1，
d
T
m
p
2
dTmp_2
dTmp2与
C
C
C的大小关系，从而判断
C
C
C是否为极大值， 若为极大值留下，否则取 0。这么做可以让边缘的线变细。
4.双阈值筛选
通过非极大值抑制后，仍然有很多的假的边缘点，进一步的设置一个双阈值，即低阈值，高阈值。灰度变化大于高阈值的，设置为强边缘像素，低于低阈值的，剔除。在低阈值和高阈值之间的设置为弱边缘。进一步判断，如果其领域内有强边缘像素，保留，如果没有，剔除。
这样做的目的是只保留强边缘轮廓的话，有些边缘可能不闭合，需要从满足低阈值和高阈值之间的点进行补充，使得边缘尽可能的闭合。还有一种方法是对于弱边缘像素，逐次判断该像素邻域上的点周围是否有强边缘点，有的话保存，没有剔除，迭代到没有没有弱边缘点为止。
Reference
https://www.zhihu.com/question/30416914
https://baike.baidu.com/item/%E5%B7%AE%E5%88%86/10349967?fr=aladdin
https://www.zhihu.com/question/266037140
https://blog.csdn.net/saltriver/article/details/80545571
600
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
