我对sobel算子的理解
转自:http://blog.csdn.net/yanmy2012/article/details/8110316
索贝尔算子(Sobeloperator)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:
该算子包含两组3x3的矩阵,分别为横向及纵向,将之与图像作平面卷积,即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值,其公式如下:
具体计算如下:
图像的每一个像素的横向及纵向灰度值通过以下公式结合,来计算该点灰度的大小:
通常,为了提高效率使用不开平方的近似值:
然后可用以下公式计算梯度方向:
若图像为:
则使用近似公式的计算的结果为:
Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子,也有两个,一个是检测水平边沿的,另一个是检测垂直边沿的 。各向同性Sobel算子和普通Sobel算子相比,它的位置加权系数更为准确,在检测不同方向的边沿时梯度的幅度一致。将Sobel算子矩阵中的所有2改为根号2,就能得到各向同性Sobel的矩阵。
由于Sobel算子是滤波算子的形式,用于提取边缘,可以利用快速卷积函数, 简单有效,因此应用广泛。美中不足的是,Sobel算子并没有将图像的主体与背景严格地区分开来,即Sobel算子没有严格地模拟人的视觉生理特征,所以提取的图像轮廓有时并不能令人满意。
参考:http://homepages.inf.ed.ac.uk/rbf/HIPR2/sobel.htm
http://blog.csdn.NET/tianhai110/article/details/5663756
除此之外:由于基础核具有关于0,0,0所在的中轴正负对称,所以通过对基础核的旋转,和图像做卷积,可以获得灰度图的边缘图,同时消去旋转角方向+180°上的边缘,迭代多个方向即可消去多个方向的边缘,但是为消去的边缘会加倍。
基础核:
0°
-1 |
0 |
1 |
-2 |
0 |
2 |
-1 |
0 |
1 |
旋转后的核(顺时针为正)
45°
-2 |
-1 |
0 |
-1 |
0 |
1 |
0 |
1 |
2 |
90°
-1 |
-2 |
-1 |
0 |
0 |
0 |
1 |
2 |
1 |
135°
0 |
-1 |
-2 |
1 |
0 |
-1 |
2 |
1 |
0 |
180°
1 |
0 |
-1 |
2 |
0 |
-2 |
1 |
0 |
-1 |
225°
2 |
1 |
0 |
1 |
0 |
-1 |
0 |
-1 |
-2 |
270°
1 |
2 |
1 |
0 |
0 |
0 |
-1 |
-2 |
-1 |
原图:
结果图如下,按0°,45°,90°,135°,180°,225°,270°排序
代码如下:
#include "cv.h"
#include "cxmisc.h"
#include "highgui.h"
#include <vector>
#include <string>
#include <algorithm>
#include <stdio.h>
#include <ctype.h>
#pragma comment(lib, "G:\\OpenCV-2.1.0\\vc2008\\lib\\cxcore210d.lib")
#pragma comment(lib, "G:\\OpenCV-2.1.0\\vc2008\\lib\\cv210d.lib")
#pragma comment(lib, "G:\\OpenCV-2.1.0\\vc2008\\lib\\highgui210d.lib")
//对不同深度图片和较大的图片进行放缩,以至于可以在显示器上完全显示
void ShowConvertImage(char name[200],IplImage* Image)
{
cvNamedWindow(name,1);
char savename[350];
sprintf(savename,"%s.jpg",name);
cvSaveImage(savename,Image);
if(Image->width<1280)
{
if(Image->depth!=IPL_DEPTH_8U)
{
IplImage* NormalizeImage=NULL;
NormalizeImage=cvCreateImage(cvGetSize(Image),IPL_DEPTH_8U,1);
cvConvertScale(Image,NormalizeImage,1,0);//将图转为0-256,用于图片显示,
cvShowImage(name,NormalizeImage);
cvReleaseImage(&NormalizeImage);
}
else
{
cvShowImage(name,Image);
}
}
else
{
IplImage* ImageResize=cvCreateImage(cvSize(1280,Image->height/(Image->width/1280)),Image->depth ,Image->nChannels);
cvResize(Image,ImageResize,1);
if(ImageResize->depth!=IPL_DEPTH_8U)
{
IplImage* NormalizeImage=NULL;
NormalizeImage=cvCreateImage(cvGetSize(ImageResize),IPL_DEPTH_8U,1);
cvConvertScale(Image,NormalizeImage,1,0);//将图转为0-256,用于图片显示,
cvShowImage(name,NormalizeImage);
cvReleaseImage(&NormalizeImage);
}
else
{
cvShowImage(name,ImageResize);
}
cvReleaseImage(&ImageResize);
}
}
//对较大的图片缩放,不然显示器分辨率不支持,只能部分显示,具体见http://blog.csdn.net/yanmy2012/article/details/8110516
int MaxImageWidth=2650;
float Scale=1;
int MinPicWidth=640;
int MinPicHeight=428*MinPicWidth/640;
int Maxradius_self=68*MinPicWidth/640;
int Minradius_self=50*MinPicWidth/640;
int Radius_dist=20*MinPicWidth/640;
int MaxPicWidth=MinPicWidth*Scale;
int MaxPicHeight=MinPicHeight*Scale;
void main()
{
IplImage * pictemp=NULL;
IplImage * pic=NULL;
char *imgpath="12.jpg";
pictemp=cvLoadImage(imgpath,-1);///获取图片,原色获取
//pictemp=cvLoadImage("IMG_02071.jpg",-1);///获取图片,原色获取
/////////////////改变图片的像素大小
if(pic!=NULL)
{
cvReleaseImage(&pic);
}
if(pictemp->width>MaxImageWidth)
{
pic=cvCreateImage(cvSize(MaxPicWidth,MaxPicHeight),pictemp->depth ,3);
cvResize(pictemp,pic,CV_INTER_AREA );
}
else
{
pic=cvCloneImage(pictemp);
}
ShowConvertImage("pic",pic);
cvReleaseImage(&pictemp);
IplImage * Gray_pic=cvCreateImage(cvGetSize(pic),pic->depth ,1);
cvCvtColor(pic,Gray_pic, CV_BGR2GRAY ); //////将Image变成灰度图片保存在gray中
cvCanny(Gray_pic,Gray_pic,50,150,3);
IplImage * Result_pic=cvCreateImage(cvGetSize(pic),IPL_DEPTH_16S ,1);
// IplImage * Result_pic=cvCreateImage(cvGetSize(pic),IPL_DEPTH_8U ,1);
CvMat *kernel=cvCreateMat(3,3,CV_32FC1);
///卷积核的初始化
////90度模板卷积核
{
cvSetReal2D(kernel,0,0, 1); cvSetReal2D(kernel,0,1, 2); cvSetReal2D(kernel,0,2, 1);
cvSetReal2D(kernel,1,0, 0); cvSetReal2D(kernel,1,1, 0); cvSetReal2D(kernel,1,2, 0);
cvSetReal2D(kernel,2,0,-1); cvSetReal2D(kernel,2,1,-2); cvSetReal2D(kernel,2,2,-1);
}
////////////进行卷积核计算
cvFilter2D(Gray_pic,Result_pic,kernel,cvPoint(1,1));
ShowConvertImage("卷积结果90°",Result_pic);
////225度模板卷积核
{
cvSetReal2D(kernel,0,0, 2); cvSetReal2D(kernel,0,1, 1); cvSetReal2D(kernel,0,2, 0);
cvSetReal2D(kernel,1,0, 1); cvSetReal2D(kernel,1,1, 0); cvSetReal2D(kernel,1,2,-1);
cvSetReal2D(kernel,2,0, 0); cvSetReal2D(kernel,2,1,-1); cvSetReal2D(kernel,2,2,-2);
}
////////////进行卷积核计算
cvFilter2D(Gray_pic,Result_pic,kernel,cvPoint(1,1));
ShowConvertImage("卷积结果225°",Result_pic);
////180度模板卷积核
{
cvSetReal2D(kernel,0,0, 1); cvSetReal2D(kernel,0,1, 0); cvSetReal2D(kernel,0,2,-1);
cvSetReal2D(kernel,1,0, 2); cvSetReal2D(kernel,1,1, 0); cvSetReal2D(kernel,1,2,-2);
cvSetReal2D(kernel,2,0, 1); cvSetReal2D(kernel,2,1, 0); cvSetReal2D(kernel,2,2,-1);
}
////////////进行卷积核计算
cvFilter2D(Gray_pic,Result_pic,kernel,cvPoint(1,1));
ShowConvertImage("卷积结果180°",Result_pic);
////135度模板卷积核
{
cvSetReal2D(kernel,0,0, 0); cvSetReal2D(kernel,0,1,-1); cvSetReal2D(kernel,0,2,-2);
cvSetReal2D(kernel,1,0, 1); cvSetReal2D(kernel,1,1, 0); cvSetReal2D(kernel,1,2,-1);
cvSetReal2D(kernel,2,0, 2); cvSetReal2D(kernel,2,1, 1); cvSetReal2D(kernel,2,2, 0);
}
////////////进行卷积核计算
cvFilter2D(Gray_pic,Result_pic,kernel,cvPoint(1,1));
ShowConvertImage("卷积结果135°",Result_pic);
//90度模板卷积核
{
cvSetReal2D(kernel,0,0,-1); cvSetReal2D(kernel,0,1,-2); cvSetReal2D(kernel,0,2,-1);
cvSetReal2D(kernel,1,0, 0); cvSetReal2D(kernel,1,1, 0); cvSetReal2D(kernel,1,2, 0);
cvSetReal2D(kernel,2,0, 1); cvSetReal2D(kernel,2,1, 2); cvSetReal2D(kernel,2,2, 1);
}
////////////进行卷积核计算
cvFilter2D(Gray_pic,Result_pic,kernel,cvPoint(1,1));
ShowConvertImage("卷积结果90°",Result_pic);
////45度模板卷积核
{
cvSetReal2D(kernel,0,0,-2); cvSetReal2D(kernel,0,1,-1); cvSetReal2D(kernel,0,2, 0);
cvSetReal2D(kernel,1,0,-1); cvSetReal2D(kernel,1,1, 0); cvSetReal2D(kernel,1,2, 1);
cvSetReal2D(kernel,2,0, 0); cvSetReal2D(kernel,2,1, 1); cvSetReal2D(kernel,2,2, 2);
}
////////////进行卷积核计算
cvFilter2D(Gray_pic,Result_pic,kernel,cvPoint(1,1));
ShowConvertImage("卷积结果45°",Result_pic);
////0度模板卷积核
{
cvSetReal2D(kernel,0,0,-1); cvSetReal2D(kernel,0,1, 0); cvSetReal2D(kernel,0,2, 1);
cvSetReal2D(kernel,1,0,-2); cvSetReal2D(kernel,1,1, 0); cvSetReal2D(kernel,1,2, 2);
cvSetReal2D(kernel,2,0,-1); cvSetReal2D(kernel,2,1, 0); cvSetReal2D(kernel,2,2, 1);
}
////////////进行卷积核计算
cvFilter2D(Gray_pic,Result_pic,kernel,cvPoint(1,1));
ShowConvertImage("卷积结果0°",Result_pic);
//315度模板卷积核
{
cvSetReal2D(kernel,0,0, 0); cvSetReal2D(kernel,0,1, 1); cvSetReal2D(kernel,0,2, 2);
cvSetReal2D(kernel,1,0,-1); cvSetReal2D(kernel,1,1, 0); cvSetReal2D(kernel,1,2, 1);
cvSetReal2D(kernel,2,0,-2); cvSetReal2D(kernel,2,1,-1); cvSetReal2D(kernel,2,2, 0);
}
////////////进行卷积核计算
cvFilter2D(Gray_pic,Result_pic,kernel,cvPoint(-1,-1));
ShowConvertImage("卷积结果315",Result_pic);
cvSobel(Gray_pic,Result_pic,0,1,3);
ShowConvertImage("Sobel结果X=0,Y=1",Result_pic);
cvSobel(Gray_pic,Result_pic,0,2,3);
ShowConvertImage("Sobel结果X=0,Y=2",Result_pic);
cvSobel(Gray_pic,Result_pic,1,0,3);
ShowConvertImage("Sobel结果X=1,Y=0",Result_pic);
cvSobel(Gray_pic,Result_pic,1,1,3);
ShowConvertImage("Sobel结果X=1,Y=1",Result_pic);
cvSobel(Gray_pic,Result_pic,1,2,3);
ShowConvertImage("Sobel结果X=1,Y=2",Result_pic);
cvSobel(Gray_pic,Result_pic,2,0,3);
ShowConvertImage("Sobel结果X=2,Y=0",Result_pic);
cvSobel(Gray_pic,Result_pic,2,1,3);
ShowConvertImage("Sobel结果X=2,Y=1",Result_pic);
cvSobel(Gray_pic,Result_pic,2,2,3);
ShowConvertImage("Sobel结果X=2,Y=2",Result_pic);
cvWaitKey(0);
cvReleaseImage(&Result_pic);
cvReleaseImage(&Gray_pic);
cvReleaseImage(&pic);
cvReleaseMat(&kernel);
}
我对sobel算子的理解的更多相关文章
- 彻底理解数字图像处理中的卷积-以Sobel算子为例
彻底理解数字图像处理中的卷积-以Sobel算子为例 作者:FreeBlues 修订记录 2016.08.04 初稿完成 概述 卷积在信号处理领域有极其广泛的应用, 也有严格的物理和数学定义. 本文只讨 ...
- EasyPR--开发详解(3)高斯模糊、灰度化和Sobel算子
在上篇文章中我们了解了PlateLocate的过程中的所有步骤.在本篇文章中我们对前3个步骤,分别是高斯模糊.灰度化和Sobel算子进行分析. 一.高斯模糊 1.目标 对图像去噪,为边缘检测算法做准备 ...
- sobel算子
#1,个人理解 网上查了很多资料,都说sobel算子是用来检测边缘的,分别给了两个方向上的卷积核,然后说明做法,就说这就是sobel算子.对于我个人来说,还有很多不明白的地方,所以理清下思路. #2, ...
- 【OpenCV新手教程之十二】OpenCV边缘检測:Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑
本系列文章由@浅墨_毛星云 出品,转载请注明出处. 文章链接:http://blog.csdn.net/poem_qianmo/article/details/25560901 作者:毛星云(浅墨) ...
- 对于Sobel算子的学习
本来想说很多目前对于 Sobel 算子的认识,但最终还是觉得对于其掌握程度太低,没有一个系统的理解,远不足以写博客,但为了12月不至于零输出,还是决定把自己学习过程中找到的相关资料进行分享. 等到一月 ...
- [OpenCV入门教程之十二】OpenCV边缘检测:Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑
http://blog.csdn.net/poem_qianmo/article/details/25560901 本系列文章由@浅墨_毛星云 出品,转载请注明出处. 文章链接:http://blog ...
- 学习 opencv---(11)OpenC 边缘检测:Canny算子,Sobel算子,Laplace算子,Scharr滤波器
本篇文章中,我们将一起学习OpenCV中边缘检测的各种算子和滤波器——Canny算子,Sobel算子,Laplace算子以及Scharr滤波器.文章中包含了五个浅墨为大家准备的详细注释的博文配套源代码 ...
- 边缘检测sobel算子
sobel算子 - sophia_hxw - 博客园http://www.cnblogs.com/sophia-hxw/p/6088035.html #1,个人理解 网上查了很多资料,都说sobel算 ...
- sobel算子的一些细节
1. 形式 Gy 上下颠倒的 (*A表示卷积图像,忽略先): 看得出来,sobel算子感觉并不统一,特别是方向,我们知道matlab的图像格式是,x轴从左到右,y轴从上到下,原点在左上角. 所以,第二 ...
随机推荐
- js关于变量作为if条件的真假问题
var a = ""; if(a){ ..... }else{ .....} 以下情况会被认为返回false: "" 空的字符串 为 0 的数字 为 null ...
- Windows下Nginx+Web.py+FastCGI服务搭建
在搭建之前,有必要了解下什么是fastcgi,但鉴于我自己也不大了解,这里就不搬门弄斧了,请参考各种百科和官网资料. 1.资源下载 python下载地址:戳这里webpy下载地址:戳这里flup下载地 ...
- c# 根据读取的配置信息删除某个目录及下所有文件
#region 定时删除目录文件 /// <summary> /// 定时删除目录文件 /// northeasttycoon /// </summary> /// <p ...
- Tensorflow教程
中文社区 tensorflow笔记:流程,概念和简单代码注释 TensorFlow入门教程集合 tensorboard教程:2017 TensorFlow 开发者峰会 TensorBoard轻松实践 ...
- nohup COMMAND > FILE
nohup --help nohup(1) - Linux man page https://linux.die.net/man/1/nohup
- 空间Rm的任意两个范数都互相等价
- 我的Android进阶之旅------>解决如下错误failed to copy 'Settings2.apk' to '/system/app//Settings2.apk': Read-only
push apk的时候报错 ouyangpeng@oyp-ubuntu:~/apk升级$ adb push Settings2.apk /system/app/ failed to copy 'Set ...
- 硬分叉后,BCH的钱包解决方案
上周BCH进行了硬分叉,分叉成了两条链:BCH和BCHSV,对于分叉后的BCH如何进行交易呢?钱包是否有相关的危险因素? 由于分叉后的两条链没做重放保护,可能导致一条链上发起的交易,在另一条链上做重放 ...
- <raspberry pi > 用树莓派来听落网电台
树莓派放在抽屉里吃灰有半年多了,去年玩了1个月后就没怎么开整了,上个月没工作,刚好有点闲暇,就把树莓派翻出来折腾,刚好碰到落网改版了,想起以前在树莓派论坛看到有网友拿树莓派来听豆瓣电台,代码那时我都下 ...
- Web框架和Django基础
核心知识点 1.web应用类似于一个socket客户端,用来接收请求 2.HTTP:规定了客户端和服务器之间的通信格式. 3.一个HTTP包含两部分,header和body,body是可选,\r\n分 ...