一、Sobel边缘检测原理
我们使用这两个核分别对原始图像进行滤波(卷积运算),即可得到原始图像在水平方向和竖直方向的梯度。设原始图像的灰度值矩阵为A,则有:
得到两个方向的梯度后,我们就可以求出每个像素点的梯度幅值和梯度角度:
二、Matlab实现代码
1.函数 sobel_filter.m
% Sobel算子计算梯度得到边缘图像
function [result_grad,result_x,result_y,result_deg]=Sobel_filter(image)
image=double(image);
[h,w]=size(image);
% 先将原始灰度图向外扩展一圈
% 否则原始图像最外圈像素点得不到卷积结果
extended_image = zeros(h+2,w+2);
for i = 2:h+1
for j = 2:w+1
extended_image(i,j) = image(i-1,j-1);
end
end
% 给出Sobel算子(x,y方向)
Sobel_x = [-1,-2,-1;
0, 0, 0;
1, 2, 1];
Sobel_y = Sobel_x';
% 初始化扩展图像的x,y方向梯度
gradx = zeros(h+2,w+2);
grady = zeros(h+2,w+2);
for i = 1:h
for j = 1:w
% current是原始图像当前被卷积的3×3矩阵
current = extended_image(i:i+2,j:j+2);
G_x = Sobel_x .* current;
G_y = Sobel_y .* current;
% 循环结束后gradx,grady即为扩展图像各像素点的x,y方向梯度值
gradx(i+1,j+1) = sum(G_x(:));
grady(i+1,j+1) = sum(G_y(:));
end
end
% 将扩展一圈的图像复原(其实就是把扩展图像最外圈的0消去)
grad_x = zeros(h,w);
grad_y = zeros(h,w);
for i = 1:h
for j = 1:w
grad_x(i,j) = gradx(i+1,j+1);
grad_y(i,j) = grady(i+1,j+1);
end
end
% 求梯度相关参数值
grad_deg = atand(grad_y./grad_x); % 求梯度角度值[-90°,+90°]
grad = sqrt(grad_x.^2 + grad_y.^2); % 得到图像的梯度幅度值
% 给函数输出的结果赋值
result_x = gradx;
result_y = grady;
result_grad = grad;
result_deg = grad_deg;
end
2.主程序 test_sobel.m
clc;
% 读取图像灰度信息(原始图像已为灰度图)
image=imread('C:\Users\HP\Desktop\CV第一次作业\图片\Lena.bmp');
% 调用Sobel函数
[grad,grad_x,grad_y,grad_deg]=Sobel_filter(image);
% 绘制子图
subplot(1,5,1);
imshow(image);
title('原始图像');
subplot(1,5,2);
imshow(uint8(grad_x));
title('x方向梯度');
subplot(1,5,3);
imshow(uint8(grad_y));
title('y方向梯度');
subplot(1,5,4);
imshow(uint8(grad));
title('梯度幅值');
% 感觉梯度角度没必要用图片形式展现出来
subplot(1,5,5);
imshow(grad_deg);
title('梯度角度');
三、实验结果
对于我们的原始图像,对其用Sobel算子进行滤波,最终可以得到原始图像的x方向梯度、y方向梯度、梯度幅值和梯度角度,如下图所示(梯度角度似乎没有必要以图片形式展示出来):