梯度，sobel算子的理解

最新推荐文章于 2024-06-15 18:03:12 发布
最新推荐文章于 2024-06-15 18:03:12 发布
阅读量1.8w 收藏 15
点赞数 1
本文转于：https://blog.csdn.net/u014020344/article/details/50196635 若用侵权 请联系删除 ?

在这一讲中我们来学习一下opencv中最基本的边缘检测的知识，首先我们来介绍一下图像梯度

1.图像梯度

可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导：
图像梯度:

梯度算子 Gradient operators

函数f(x,y)在(x,y)处的梯度为一个向量：

计算这个向量的大小为：

近似为:

梯度的方向角为：

可能上面的数学表达式大家觉得还是过于抽象，那么我们将图片看成是二维的离散函数，那么图像的梯度其实就是这个二维离散函数的求导（偏导数）

图像梯度: G(x,y) = dx i + dy j;
dx(i,j) = I(i+1,j) - I(i,j);
dy(i,j) = I(i,j+1) - I(i,j);
其中，I是图像像素的值(如：RGB值)，(i,j)为像素的坐标。
图像梯度一般也可以用中值差分：
dx(i,j) = [I(i+1,j) - I(i-1,j)]/2;
dy(i,j) = [I(i,j+1) - I(i,j-1)]/2;

图像边缘一般都是通过对图像进行梯度运算来实现的。

图像梯度的最重要性质是，梯度的方向在图像灰度最大变化率上，它恰好可以反映出图像边缘上的灰度变化 
上面说的是简单的梯度定义，其实还有更多更复杂的梯度公式。

2.边缘检测

关于边缘的细节知识，请参考博主 http://blog.csdn.net/xiaowei_cqu/article/details/7829481

下面让我们来看一下边缘检测中常用的一些算子：

sobel算子边缘检测算法

索贝尔算子（Sobel operator）主要用作边缘检测，在技术上，它是一离散性差分算子，用来运算图像亮度函数的灰度之近似值。在图像的任何一点使用此算子，将会产生对应的灰度矢量或是其法矢量

Sobel卷积因子为：

具体计算如下：

Gx = (-1)*f(x-1, y-1) + 0*f(x,y-1) + 1*f(x+1,y-1)

      +(-2)*f(x-1,y) + 0*f(x,y)+2*f(x+1,y)

      +(-1)*f(x-1,y+1) + 0*f(x,y+1) + 1*f(x+1,y+1)

= [f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]

Gy =1* f(x-1, y-1) + 2*f(x,y-1)+ 1*f(x+1,y-1)

      +0*f(x-1,y) 0*f(x,y) + 0*f(x+1,y)

      +(-1)*f(x-1,y+1) + (-2)*f(x,y+1) + (-1)*f(x+1, y+1)

= [f(x-1,y-1) + 2f(x,y-1) + f(x+1,y-1)]-[f(x-1, y+1) + 2*f(x,y+1)+f(x+1,y+1)]

其中f(a,b), 表示图像(a,b)点的灰度值；

 

Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。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。

其实在边缘检测中还会用到很多算子，如普利维特算子(Prewitt operate)；罗伯茨交叉边缘检测（Roberts Cross operator）；拉普拉斯算子等等。

2.opencv中Sobel算子实现边缘检测效果图

先上效果图：

image

image

当然，opencv中其实上面的代码完全可以用

void cvSobel( const CvArr* src, CvArr* dst, int xorder, int yorder, int aperture_size=3 );

这个函数来代替，相应的参数大家可以去百度，在这就不一一介绍了，本文主要针对sobel算子的检测原理来进行说明。

代码如下


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #include "cv.h" 
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #include "highgui.h" 
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #include "math.h" 
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #include "stdio.h" 
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #include "malloc.h"
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     IplImage *image; 
     
     //声明IplImage指针 
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     int height, width; 
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     CvScalar s;
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     int sobel_y[
     
     9] = { 
     
     1, 
     
     2, 
     
     1, 
     
     0, 
     
     0, 
     
     0, 
     
     -1, 
     
     -2, 
     
     -1 };  
     
     //y方向sobel算子 
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     int sobel_x[
     
     9] = { 
     
     1, 
     
     0, 
     
     -1, 
     
     2, 
     
     0, 
     
     -2, 
     
     1, 
     
     0, 
     
     -1 };  
     
     //x方向sobel算子 
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     void sobel() 
    
    
    
   
   
  12. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     { 
    
    
    
   
   
  13. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
        
     
     int i, j, k; 
    
    
    
   
   
  14. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
        
     
     int grayx = 
     
     0, grayy = 
     
     0, gray; 
    
    
    
   
   
  15. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
        
     
     int *data; 
    
    
    
   
   
  16. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
        
     
     int a[
     
     9]; 
    
    
    
   
   
  17. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         data = (
     
     int *)
     
     malloc(height*width*
     
     sizeof(
     
     int)); 
    
    
    
   
   
  18. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
        
     
     for (i = 
     
     0; i<height; i++) 
    
    
    
   
   
  19. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         { 
    
    
    
   
   
  20. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
            
     
     for (j = 
     
     0; j<width; j++) 
    
    
    
   
   
  21. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
             { 
    
    
    
   
   
  22. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 s = cvGet2D(image, i, j); 
    
    
    
   
   
  23. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 gray = (
     
     int)s.val[
     
     0]; 
    
    
    
   
   
  24. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 data[i*width + j] = gray; 
    
    
    
   
   
  25. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
             } 
    
    
    
   
   
  26. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         }
    
    
    
   
   
  27. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
        
     
     for (i = 
     
     1; i<height - 
     
     1; i++) 
    
    
    
   
   
  28. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         { 
    
    
    
   
   
  29. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
            
     
     for (j = 
     
     1; j<width - 
     
     1; j++) 
    
    
    
   
   
  30. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
             { 
    
    
    
   
   
  31. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 grayx = 
     
     0; 
    
    
    
   
   
  32. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 grayy = 
     
     0; 
    
    
    
   
   
  33. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 s = cvGet2D(image, i, j); 
    
    
    
   
   
  34. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 a[
     
     0] = data[width*(i - 
     
     1) + j - 
     
     1]; 
    
    
    
   
   
  35. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 a[
     
     1] = data[width*(i - 
     
     1) + j]; 
    
    
    
   
   
  36. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 a[
     
     2] = data[width*(i - 
     
     1) + j + 
     
     1];
    
    
    
   
   
  37. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 a[
     
     3] = data[width*i + j - 
     
     1]; 
    
    
    
   
   
  38. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 a[
     
     4] = data[width*i + j]; 
    
    
    
   
   
  39. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 a[
     
     5] = data[width*i + j + 
     
     1];
    
    
    
   
   
  40. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 a[
     
     6] = data[width*(i + 
     
     1) + j - 
     
     1]; 
    
    
    
   
   
  41. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 a[
     
     7] = data[width*(i + 
     
     1) + j]; 
    
    
    
   
   
  42. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 a[
     
     8] = data[width*(i + 
     
     1) + j + 
     
     1]; 
    
    
    
   
   
  43. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
                
     
     for (k = 
     
     0; k<
     
     9; k++) 
    
    
    
   
   
  44. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                     grayy += a[k] * sobel_y[k]; 
    
    
    
   
   
  45. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
                
     
     for (k = 
     
     0; k<
     
     9; k++) 
    
    
    
   
   
  46. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                     grayx += a[k] * sobel_x[k];
    
    
    
   
   
  47. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 s.val[
     
     0] = (
     
     abs(grayx) + 
     
     abs(grayy));
     
     //此处需要取绝对值 
    
    
    
   
   
  48. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                 cvSet2D(image, i, j, s); 
    
    
    
   
   
  49. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
             } 
    
    
    
   
   
  50. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         } 
    
    
    
   
   
  51. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
        
     
     free(data);
    
    
    
   
   
  52. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     }
    
    
    
   
   
  53. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     int main(int argc, char** argv) 
    
    
    
   
   
  54. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     {
    
    
    
   
   
  55. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         image = cvLoadImage(
     
     "image1.jpg", 
     
     0); 
    
    
    
   
   
  56. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         IplImage* image1 = cvLoadImage(
     
     "image1.jpg", 
     
     1); 
    
    
    
   
   
  57. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         height = image->height; 
    
    
    
   
   
  58. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         width = image->width;
    
    
    
   
   
  59. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         sobel();
    
    
    
   
   
  60. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         cvNamedWindow(
     
     "Image", 
     
     1);
     
     //创建窗口 
    
    
    
   
   
  61. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         cvNamedWindow(
     
     "Sobel", 
     
     1);
     
     //创建窗口 
    
    
    
   
   
  62. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         cvShowImage(
     
     "Image", image1);
     
     //显示图像 
    
    
    
   
   
  63. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         cvShowImage(
     
     "Sobel", image);
     
     //显示图像 
    
    
    
   
   
  64. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         cvWaitKey(
     
     0); 
     
     //等待按键
    
    
    
   
   
  65. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         cvDestroyWindow(
     
     "Image");
     
     //销毁窗口 
    
    
    
   
   
  66. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         cvReleaseImage(&image); 
     
     //释放图像 
    
    
    
   
   
  67. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
        
     
     return 
     
     0;
    
    
    
   
   
  68. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     }


参考文章：

http://blog.csdn.net/xiaowei_cqu/article/details/7829481

钢铁-程序猿
关注
  • 1
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Sobel边缘检测 - 梯度算子介绍
Henry的专栏
06-03 2450
Sobel是常用的边缘检测Filter,本文主要是介绍一下Sobel的公式的由来。
图像梯度算子——Sobel/scharr/Laplacian
Mr_Nobody17的博客
08-30 8874
1.sobel算子 sobel算子可以计算图像梯度，计算图像梯度的作用是提取边界。 （1）X方向的梯度 以3x3的卷积核计算sobel算子为例： 图中左边就是计算水平梯度时的卷积核，简单来说就是右边减左边，权重由卷积核规定。 含义：当目标（P5点）右左两列差别特别大的时候，目标点的值会很大，说明该点为边界。 （2）Y方向的梯度 上图是计算垂直方向梯度的卷积核，如果在垂直方向上存在有较大的差值就说明存在有水平边界。 （3）注意&总结 a.水平梯度运算提取垂直方向的边界
梯度/索贝尔/拉普拉斯算子实现图像锐化(Matlab)
asd123pwj的博客
06-26 2193
文章首发及后续更新：https://mwhls.top/2264.html 新的更新内容请到mwhls.top查看。 无图/无目录/格式错误/更多相关请到上方的文章首发页面查看。 目录 1. 目的 2. 思路 3. 实验结果 4. 代码 目的使用梯度算子、索贝尔算子、拉普拉斯算子对图像锐化思路用矩阵表示算子。遍历图像，以每个像素点为中心的33/22矩阵为待处理数据，将算子矩阵与待处理矩阵点乘，求和结果矩阵，以其作为矩阵中心点的新值。实验结果从上到下，从左到右依次为：原图、梯度算子、索贝尔算子
梯度和梯度算子(Roberts,Sobel,Laplace)
dx199771的博客
12-27 3万+
机器学习和深度学习中，梯度是一个很重要的概念。在大部分机器学习优化问题中都可以通过梯度下降法处理。要介绍梯度就必须了解导数（derivative），偏导数（partial derivative）和方向导数（directional derivative）。 这些概念在高等数学中都有介绍，也可以参考百度和维基百科，这里我们就只做简单回忆： 导数 导数反映函数在某点处沿x轴正方向的变化率，可以理解为，如果某点导数大于0，则该点沿x轴正方向递增，如果某点小于0，则递减。 偏导数 导数和偏导数性质一致，但偏导数
图像处理（期末总结）
最新发布
m0_64758283的博客
06-15 312
图像处理基础期末复习总结
【OpenCV】边缘检测：梯度，sobel算子的理解
A_dobe的博客
12-06 1万+
在这一讲中我们来学习一下opencv中最基本的边缘检测的知识，首先我们来介绍一下图像梯度 1.图像梯度 可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导： 图像梯度: 梯度算子 Gradient operators 函数f(x,y)在(x,y)处的梯度为一个向量： 计算这个向量的大小为： 近似为: 梯度的方向角为： 可能上面的数学表达式
[转]图像梯度：算子
FireBird的专栏
09-01 2万+
0 定义 本质上是用于卷积运算的模板，最终效果上是求得梯度。Roberts 算子，Sobel算子、Prewitt算子以及Laplace算子等。按功能分，上述算子都是求边缘检测的算子。如果按求导的阶数分类，Roboert、Sobel、Prewitt都是一阶算子，而Laplace属于二阶算子。 1 推导 1.1 Robert算子 利用局部差分算子寻找边缘的算子，采用对角线相邻两像素之差（正常梯
浅谈——图像梯度算法中算子由来
入门记
11-24 2万+
相关概念 如何求图像的梯度？ 求图像的梯度，一般是对灰度图像或者彩色图像进行操作。数字图像就是离散的点值谱，也可以叫二维离散函数。图像的梯度就是这个二维离散函数的求导。 导数（Derivative）是微积分中的重要基础概念。在百度百科里面是这样解释的：当函数y=f(x)的自变量X在一点x0上产生一个增量Δx时，函数输出值的增量Δy与自变量增量Δx的比值在Δx趋于0时的极限a如果存在，a
6.边缘检测：梯度——有限差分、图像的偏导数、离散梯度_3
Tom的专栏
11-25 7837
目录 有限差分 图像的偏导数 离散梯度 有限差分 看，我们刚才讲的内容对于微积分课来说是没问题的，在微积分课上，你会得到所有那些花哨的希腊符号。 到现在为止，你可能希望你能多注意一些希腊的符号。 但问题是，我们如何在一个计算机上做这些事情，在那里我们不能做连续数学？ 为了做到这一点，我们需要讨论离散梯度。 在连续数学中，f关于x的偏导就是这个极限，对吧? 所以我们在x方向上...
5.4.1 边缘检测—梯度算子
kateyabc的博客
10-30 9175
图像中不连续的灰度值会产生边缘，图像的边缘检测是基于边界的图像分割方法，如分水岭算法，通常是分割原图的梯度图像，梯度实际上也是反应的图像边缘信息。图像边缘一般常用图像一阶导数和二阶导数来检测。 梯度算子对应于图像一阶导数。图像一阶导数计算一般是通过差分运算来近似的。VTK中可以使用vtkImageGradient计算图像梯度。注意图像梯度是一个向量，具有方向和大小。因此vtkImageGradie...
OpenCV中的边缘检测——Sobel滤波器
小白汐汐的博客
12-04 1万+
一、原理 Sobel算子是一种用于边缘检测的线性滤波器，它基于两个简单的33的内核，如下图： 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）。它是一个二维向量，向量的元素是横竖两个方向的函数一阶导数： 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。OpenCV中的Sobel函数如下： cv::Sobel(image, // 输入 sobel, //.
浅谈矢量场 —— 1. 梯度、散度与拉普拉斯算子
老程的技术笔记
03-05 2万+
文章目录初遇拉普拉斯算子梯度、散度什么是梯度失散多年的亲兄弟——散度？拉普拉斯算子 初遇拉普拉斯算子 有这样一个特殊的数学符号叫拉普拉斯算子（Laplace operator），在不少工程领域都有它的出现，其数学表达式写作 △\triangle△ 或者 ▽2\triangledown^2▽2。 还隐约记得我第一次接触这个玩意的时候，还是做流体的时候，好像是用来计算密度扩散的时候用到的。 当时还是11年，查很多资料介绍的也是稀里糊涂的，直到后来看到拉普拉斯算子的离散式表达形式后，才大概明白了它的涵义。后来毕业
OpenCV学习笔记（十一）——利用Sobel算子计算梯度
qq_54186956的博客
03-23 1734
利用Sobel进行求梯度计算
Sobel 算子
Harrytsz的博客
04-07 2961
SobelSobelSobel本质是基于图像空间域卷积，卷积的作用除了实现图像模糊或者去噪，还可以寻找一张图像上所有梯度信息，这些梯度信息是图像的最原始特征数据，进一步处理之后就可以生成一些比较高级的特征用来表示一张图像实现基于图像特征的匹配，图像分类等应用。SobelSobelSobel算子是一种很经典的图像梯度提取算子，其本质是基于图像空间域卷积，背后的思想是图像一阶导数算子的理论支持。
Sobel算子的数学基础
大熊
08-15 2584
Sobel算子的数学基础 转载至彭真明老师的Sobel算子的数学基础 ：http://blog.sciencenet.cn/blog-425437-1139187.html 图像处理及机器视觉应用中的Sobel算子，是以它的提出者Irwin Sobel名字命名的。该算子没有在任何期刊或会议上正式发表过，当时仅在Stanford大学人工智能项目组的一个非正式的博士生讨论组会上与Gary Feldman（当时的一个在读研究生，也是Sobel的...
图像处理笔记——边缘检测算子
weixin_44958234的博客
11-20 6703
图像处理笔记边缘检测算子边缘检测梯度算子（一阶导数）二阶导数插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 边缘检测算子 题目：下列图象边缘检测算子中抗噪性能最好的是︰（ ） A. 梯度算子 B. Prewitt 算子 C. Roberts 算子 D. Laplacian 算子 边缘
OpenCV图像锐化（梯度算子Sobel）
cyf15238622067的博客
02-21 7138
梯度算子 • 梯度通过一个二维列向量来定义 • 向量的模值 实践中通常称为梯度图像。 • 考虑一个3x3的图像区域，z代表 灰度级，上式在点z5的f值可用 数字方式近似。 • 微分滤波器模板系数设计 ✓Roberts交叉梯度算子 ✓Prewitt梯度算子 ✓Prewitt梯度算子 Roberts交叉梯度算子 ✓梯度计算由两个模板组成，第...
图像边缘检测与图像梯度的概念
qq_37937847的博客
12-08 6246
1.图像边缘产生的常见因素 两个面的交界处 因为图像的深度信息产生 不同的颜色之间边界 因为影子的产生 2.边缘 2.1边缘的定义 边缘是图像像素值快速变化的地方 那么可以用1阶导数的大小表示变化快慢，对于二维函数f(x,y),偏导数为 对于离散的数据（比如说图像），那么近似的对x的偏导就可以写成如下： 2.2如何用卷积实现对图像求导 对图像按x轴方法求导，其实就是用[-1，1]卷积核在图像上进行卷积操作， 对图像按y轴方法求导，其实就是用 卷积核在图像上进行卷积操作， 2.3
Sobel边缘检测算法
热门推荐
PlayBoy's 部落格
06-11 5万+
Sobel边缘检测算法、Sobel算子
sobel算子的优点
06-05
Sobel算子是一种图像边缘检测算法，它可以通过计算图像中每个像素点的梯度大小和方向来检测出边缘的位置。Sobel算子的优点主要有以下几个方面： 1. 简单易用：Sobel算子是一种简单的卷积运算，易于实现和理解。 2. 高效性能：Sobel算子的运算速度相对较快，适合用于实时图像处理等需要高效率的应用场景。 3. 可调参数：Sobel算子可以根据实际应用需要调整参数，如卷积核大小、阈值等，提高边缘检测的精度和鲁棒性。 4. 检测效果好：Sobel算子能够检测出较细的边缘线，同时对于噪声也有一定的抵抗能力，使得边缘检测效果更加准确。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值