学习心得：Sobel算子及Opencv实现

Sobel算子是用来提取图像边缘的，而边缘在灰度图中表现为灰度值变化剧烈的位置，可以用像素值差分结果的大小来表征变化剧烈与否。
离散情况下的差分对应的是连续域的微分，因此一般的边缘提取算子其思想都是求图像的微分，如1阶微分和2阶微分，同时又因为图像存在x和y两个方向，因此会出现偏微分。

Sobel算子原理

Sobel算子计算图像差分，依赖两个卷积核，如下图所示。

左侧代表在x方向上进行加权差分，右侧代表在y方向上的加权差分。此处要注意的是，卷积核在真正参与图像卷积的时候，要旋转180度，这与数字图像处理中的卷积定义有关。旋转之后形成的运算模板如下：

通过2个卷积核和图像卷积，可以得到两个方向上的差分图像。差分图像和源图像的尺寸相同，其像素值的含义：像素值越大，代表源图像在该位置处的差分结果越大。因此差分图像中灰度值越大（即越白）的点，是边缘的可能性越大。
通过一定的加权融合方法，融合两幅差分图像即可得到原始图像的边缘图像。

Opencv实现

在OpenCV里提供了sobel边缘提取的函数：

dst = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])

前四个是必须的参数：
src：需要处理的图像；
ddpteh：是图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度 必须大于等于原图像的深度；
dx和dy表示的是求导的阶数，0表示这个方向上没有求导，一般为0、1、2。
可选的参数：
dst：目标图像
ksize：Sobel算子的大小，必须为1、3、5、7。
scale：是缩放导数的比例常数，默认情况下没有伸缩系数；
delta：是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；
borderType：判断图像边界的模式。这个参数默认值cv2.BORDER_DEFAULT。

图像深度参数

ddpteh这个参数代表dst图像的深度，可选的参数如CV_16S、CV_32F、CV_64F等。
由于Sobel算子计算的是差分，有正有负，并且可能存在超过255的数，因此如果采用8为深度的话，显示图像会有问题。

求导阶数

两个参数分别代表对x和y方向的求导阶数。
这里一个容易出问题的地方在于，如果两个参数都给1，理论上是对x和y方向上都求导，得到的应该是一个融合后的边缘图像。然而实际结果是，输出的边缘图像灰度值偏低，即边缘都特别浅。
正确的做法如下：

sobel_x = cv.Sobel(img_gussian, cv.CV_16S, 1, 0, 5)
sobel_y = cv.Sobel(img_gussian, cv.CV_16S, 0, 1, 5)
abs_x = cv.convertScaleAbs(sobel_x) 
abs_y = cv.convertScaleAbs(sobel_y)
img_sobel = cv.addWeighted(abs_x,0.5, abs_y, 0.5, 0)

先分别得到两个方向上的差分图像，再对每个像素求绝对值；之后通过addWeighted函数进行加权融合。这样得到的边缘图像比较正常。

实例

这是对两个方向同时求导得到的结果，图像非常的浅。

从左到右分别是x方向差分图，y方向差分图，融合后的边缘图像。