Matlab仿照Sobel算子实现±45°图像细节检测和图像锐化

最新推荐文章于 2025-02-14 23:39:11 发布

Toblerone_Wind

最新推荐文章于 2025-02-14 23:39:11 发布

阅读量6.7k

点赞数 5

分类专栏：数字图像处理 Matlab 文章标签： matlab 图像处理计算机视觉 sobel

本文链接：https://blog.csdn.net/qq_42276781/article/details/121983264

版权

Matlab 同时被 2 个专栏收录

23 篇文章

订阅专栏

数字图像处理

8 篇文章

订阅专栏

1. 要求

参考Sobel算子能够检测x和y方向的原理，设计合适的模板，能够检测±45°斜方向上的图像细节，分别输出正45度方向和负45度方向的图像细节，以及两者相叠加后的图像结果。将取的图像细节，叠加到原图上，实现图像锐化。

2. Sobel算子

$G_{x}=\begin{bmatrix} -1 & 0 & 1\\ -2 & 0 & 2\\ -1& 0 & 1 \end{bmatrix}$ $G_{y}=\begin{bmatrix} 1 & 2 & 1\\ 0 & 0 & 0\\ -1& -2 & -1 \end{bmatrix}$

$G_{x}$ 用来强调水平边缘， $G_{y}$ 用来强调垂直边缘。

Sobel Gx convolution

图片来自链接

这里有3个矩阵，分别是 $Source$ 、 $G_{x}$ 和 $Destination$ ，可以看到在 $Source$ 矩阵中，以6为中心的3*3的小矩阵与 $G_{x}$ 进行运算（对应位置相乘后求和），运算的结果存放在 $Destination$ 矩阵中和6对应的位置。

同理，在6的右侧的元素2，经过运算，其在 $Destination$ 矩阵中对应位置的值为

(0*-1) + (1*0) + (5*1) + (6*-2) + (2*0) + (4*2) + (4*-1) + (1*0) + (0*1) = -3

一般地，如果对 $Source(i,j)$ 使用 $G_{x}$ 进行卷积处理，则

$\begin{align*} Destination(i,j)&= -Source(i-1,j-1)+Source(i-1,j+1)-2*Source(i,j-1)\\ &+Source(i+1,j+1) -Source(i+1,j-1)+ 2*Source(i,j+1) \end{align*}$

这时候肯定有人会问：那 $Source$ 矩阵左上角的元素3，它对应 $Destination$ 矩阵中的值是多少？

这是一个很好的问题，可以看到，以3（第一行第一列）为中心的3*3的矩阵缺失了5个元素，这种情况下一般有两种处理方式：

1. Padding即对缺失的元素进行填充，一般使用0进行填充

2. 不做处理，直接用它本身的值3作为最终值填入 $Destination$ 矩阵

3. matlab代码实践

参考sobel算子中的 $G_{x}$ 和 $G_{y}$ ，可以发现：

（1） $G_{x}$ 中的元素是纵向排列，矩阵所有元素和为0，用以检测水平边缘；

（2） $G_{y}$ 中的元素是横向排列，矩阵所有元素和为0，用以检测竖直边缘。

于是可以猜想：

（1）检测正45°方向的模板，其矩阵中的元素应该按负45度方向排列，且所有元素和为0；

（2）检测负45°方向的模板，其矩阵中的元素应该按正45度方向排列，且所有元素和为0。

即

$H_{1}=\begin{bmatrix} -1 & 0 & 0\\ 0 & 2 & 0\\ 0& 0 & -1 \end{bmatrix}$ $H_{2}=\begin{bmatrix} 0 & 0 & -1\\ 0 & 2 & 0\\ -1& 0 &0 \end{bmatrix}$

其中 $H_{1}$ 用以检测正45度方向， $H_{2}$ 用以检测负45度方向。

matlab提供了官方函数filter2，可以使用指定的模板对图像进行卷积处理

clear, close all
% 检测正45°方向的模板
h1 = [ -1  0  0;
        0  2  0;
        0  0 -1];
% 检测负45°方向的模板
h2 = [  0  0 -1;
        0  2  0;
       -1  0  0];
im = imread('cameraman.tif');
subplot(2,2,1), imshow(im), title('原图')

im_filter_1 = filter2(h1, im)/255;
subplot(2,2,2), imshow(im_filter_1), title('45°')

im_filter_2 = filter2(h2, im)/255;
subplot(2,2,3), imshow(im_filter_2), title('-45°')

im_filter_3 = filter2(h1+h2, im)/255;
subplot(2,2,4), imshow(im_filter_3), title('叠加')

观察下图，可以发现，在默认情况下，向filter2函数中传入模板和图像矩阵，得到的卷积结果的四条边界非常突出，进一步观察原矩阵即未除以255之前的矩阵，可以发现matlab中的filter2函数对边界值的处理，默认不采取先padding再卷积的方式，而是不做处理直接填入。

再提一下为什么要将卷积结果除以255。当出现如下情况的时候，卷积后的矩阵中会出现大于255的值，而灰度值的范围是在[0, 255]，为了让卷积后的结果仍能落在这个区间，所以我对卷积结果除以了255。

$\begin{bmatrix} 0 & 0 &0 \\ 0& 255 & 0\\ 0& 0& 0 \end{bmatrix}\otimes \begin{bmatrix} -1 & 0 & 0\\ 0 & 2 & 0\\ 0& 0 & -1 \end{bmatrix} = 510$

为了得到锐化后的图像，最后只需要使用im_filter_3放大一定倍数再和im进行叠加处理即可。

im是uint8类型的矩阵，im_filter_3*50的结果是double类型的矩阵，二者不能直接相加，于是我使用uint8函数将im_filter_3*50的结果转换为uint8类型（浮点数转为整数，超过255的数值变为255，低于0的数值变为0，0-255之间的数值不变）

两个uint8类型的矩阵的矩阵相加，其结果仍为uint8类型的矩阵（超过255的数值变为255，低于0的数值变为0，0-255之间的数值不变）。

这里留下一个思考：之前卷积的结果能不能不除以255，而是使用uint8进行转换？

figure
subplot(1,2,1), imshow(im), title('原图')
im_boost = im + uint8(im_filter_3*50);
subplot(1,2,2), imshow(im_boost), title('增强')

观察结果可以发现，锐化后的图像其正负45度方向的边缘明显比原图清晰突出。

4. 代码获取

关注公众号，回复“数字图像处理”即可获取完整代码