（十二）图像的Sobel梯度锐化

环境：Windows10专业版 + IDEA2021.2.3 + jdk11.0.1 + OpenCV-460.jar

系列文章：

（一）Python+GDAL实现BSQ，BIP，BIL格式的相互转换

（二）BSQ,BIL,BIP存储格式的相互转换算法

（三）单波段图像的伪彩色合成：密度分割（含介绍OpenCV中的Mat类）

（四）图像的%2线性拉伸

（五）图像的标准假彩色合成

（六）图像的直方图均衡化

（七）图像的均值滤波

（八）图像的中值滤波

（九）图像的高斯低通滤波

（十）图像的梯度倒数加权平滑

（十一）图像的罗伯特梯度锐化

（十二）图像的Sobel梯度锐化

（十三）图像的拉普拉斯梯度锐化

目录

一、Sobel梯度锐化简介

二、算法流程

三、代码实现

四、实验结果

1、读入的图像

2、经过Sobel梯度处理后的图像

---

一、Sobel梯度锐化简介

Sobel梯度锐化是一种基于Sobel算子的图像处理方法，用于增强图像的边缘和细节。

Sobel算子是一种用于边缘检测的算法，它通过计算图像中每个像素点的梯度强度和方向来突出显示图像的边缘。Sobel算子包括两个3x3的矩阵，分别用于水平和垂直方向的边缘检测。这两个矩阵与图像进行卷积运算，从而得到水平和垂直方向的梯度近似值。Sobel算子的特点是它认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对当前像素的影响越大，这样的加权方式使得Sobel算子在进行边缘检测时能够更好地突出边缘轮廓。

在图像处理中，Sobel算子的应用主要包括以下关键点：

1、边缘检测：Sobel算子可以有效地检测出图像中的边缘，这对于图像分析和理解至关重要。边缘通常代表了图像中的重要结构信息，如物体的轮廓等。

2、图像锐化：通过强调图像的边缘，Sobel算子可以使图像看起来更清晰，细节更加突出。这在图像锐化处理中非常有用，尤其是在需要增强图像细节的情况下。

3、噪声抑制：虽然Sobel算子主要用于边缘检测，但它也可以帮助减少图像中的随机噪声，因为它主要关注于图像中的结构性变化，而不是随机的小幅度变化。

4、优缺点：对边缘的检测更加精确；但不适用于含有大量噪声的图像。

Sobel梯度锐化是图像处理中的一个基本而重要的技术，它在边缘检测、图像锐化和噪声抑制等方面有着广泛的应用。

二、算法流程

（以单波段灰度图像为例）

1、利用OpenCV读入图像，将像素存储在数组里

2、h1突出水平方向上的特征，h2突出垂直方向上的特征，用水平方向上的模板h1计算后取绝对值再加上垂直方向上的模板h2计算后取绝对值

3、将经过Sobel梯度处理后的像素值存入数组合成图像并存储

三、代码实现

import org.opencv.core.Core;
import org.opencv.core.CvType;
import org.opencv.core.Mat;
import org.opencv.imgcodecs.Imgcodecs;

/**
 * @Author: HNUST_jue_chen
 * @Date: 2022/11/04/ 22:04
 * @Attention: 转载, 引用请注明出处
 */

public class SobelGradient {
    //加载本地动态链接库
    static {
        System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
    }

    //Sobel梯度锐化
    public Mat sobelSharping(String path) {
        //使用Mat类存储图像信息
        Mat mat = Imgcodecs.imread(path);
        //图像的大小
        int rows = mat.rows();
        int cols = mat.cols();

        //获得原图像像素数组
        int[][] mat_arr = new int[rows][cols];
        for (int i = 0; i < rows; i++) {
            for (int j = 0; j < cols; j++) {
                mat_arr[i][j] = (int) mat.get(i, j)[0];
            }
        }

        //用Sobel算子进行锐化
        int[][] mat_arr_sobelSharp = new int[rows][cols];
        for (int i = 0; i < rows; i++) {
            for (int j = 0; j < cols; j++) {
                //处理非边缘的像素
                if (i != 0 && i != rows - 1 && j != 0 && j != cols - 1) {
                    mat_arr_sobelSharp[i][j] = Math.abs((mat_arr[i - 1][j - 1] * (-1)) + mat_arr[i - 1][j] * (-2)
                            + mat_arr[i - 1][j + 1] * (-1) + (mat_arr[i + 1][j - 1])
                            + mat_arr[i + 1][j] * (2) + mat_arr[i + 1][j + 1])
                            + Math.abs((mat_arr[i - 1][j - 1] * (-1)) + mat_arr[i][j - 1] * (-2)
                            + mat_arr[i + 1][j - 1] * (-1) + (mat_arr[i - 1][j + 1])
                            + mat_arr[i][j + 1] * (2) + mat_arr[i + 1][j + 1]);
                } else {    //处理边缘的像素
                    mat_arr_sobelSharp[i][j] = mat_arr[i][j];
                }
            }
        }

        //合成图像
        Mat mat_sobelSharp = new Mat(rows, cols, CvType.CV_32SC1);
        //将像素放入图像
        for (int i = 0; i < rows; i++) {
            //一次放入一行像素值
            mat_sobelSharp.put(i, 0, mat_arr_sobelSharp[i]);
        }

        return mat_sobelSharp;
    }

    public static void main(String[] args) {
        SobelGradient sg = new SobelGradient();
        Mat mat = sg.sobelSharping("D:\\Project\\IDEA_Project\\RS01\\src\\rs01\\img\\2_gray.png");
        //将经过Sobel锐化后的图像写入文件
        Imgcodecs.imwrite("D:\\Project\\IDEA_Project\\RS01\\src\\rs01\\img\\2_gray_sg.png", mat);
    }
}

四、实验结果

1、读入的图像

2、经过Sobel梯度处理后的图像