sobel算子_OpenCV图像处理专栏十八 | 手动构造Sobel算子完成边缘检测

1. 前言

众所周知，在传统的图像边缘检测算法中，最常用的一种算法是利用Sobel算子完成的。Sobel算子一共有

个，一个是检测水平边缘的算子，另一个是检测垂直边缘的算子。

2. Sobel算子优缺点

Sobel算子的优点是可以利用快速卷积函数，简单有效，且对领域像素位置的影响做了加权，可以降低边缘模糊程度，有较好效果。然而Sobel算子并没有基于图像的灰度信息进行处理，所以在提取图像边缘信息的时候可能不会让人视觉满意。

3. 手动构造Sobel算子

我们来看一下怎么构造Sobel算子？

Sobel算子是在一个坐标轴的方向进行非归一化的高斯平滑，在另外一个坐标轴方向做一个差分，

大小的Sobel算子是由

平滑算子和差分算子全卷积得到，其中

代表Sobel算子的半径，必须为奇数。

对于窗口大小为

的

非归一化Sobel平滑算子等于

阶的二项式展开式的系数，而

Sobel平滑算子等于

阶的二项式展开式的系数两侧补

，然后向前差分。

举个例子：构造一个

阶的Sobel非归一化的

Sobel平滑算子和Sobel差分算子：

Sobel平滑算子：取二项式的阶数为

，然后计算展开式系数为，

也即是

，这就是

阶的非归一化的Sobel平滑算子。

Sobel差分算子：取二项式的阶数为

，然后计算二项展开式的系数，即为：

，两侧补

并且前向差分得到

，第

项差分后可以直接删除。

Sobel算子：将

阶的Sobel平滑算子和Sobel差分算子进行全卷积

，即可得到

的Sobel算子。

其中

方向的Sobel算子为：

而

方向的Sobel算子为：

4. 代码实现

const int fac[9]={1, 1, 2, 6, 24, 120, 720, 5040, 40320};
//Sobel平滑算子
Mat getSmmoothKernel(int ksize){Mat Smooth = Mat::zeros(Size(ksize, 1), CV_32FC1);for(int i = 0; i < ksize; i++){Smooth.at<float>(0, i) = float(fac[ksize-1]/(fac[i] * fac[ksize-1-i]));}return Smooth;
}
//Sobel差分算子
Mat getDiffKernel(int ksize){Mat Diff = Mat::zeros(Size(ksize, 1), CV_32FC1);Mat preDiff = getSmmoothKernel(ksize-1);for(int i = 0; i < ksize; i++){if(i == 0){Diff.at<float>(0, i) = 1;}else if(i == ksize-1){Diff.at<float>(0, i) = -1;}else{Diff.at<float>(0, i) = preDiff.at<float>(0, i) - preDiff.at<float>(0, i-1);}}return Diff;
}
//调用filter2D实现卷积
void conv2D(InputArray src, InputArray kernel, OutputArray dst, int dep, Point anchor=Point(-1,-1), int borderType=BORDER_DEFAULT){Mat kernelFlip;flip(kernel, kernelFlip, -1);filter2D(src, dst, dep, kernelFlip, anchor, 0.0, borderType);
}
//先进行垂直方向的卷积，再进行水平方向的卷积
void sepConv2D_Y_X(InputArray src, OutputArray dst, int dep, InputArray kernelY, InputArray kernelX, Point anchor=Point(-1,-1), int borderType=BORDER_DEFAULT){Mat Y;conv2D(src, kernelY, Y, dep, anchor, borderType);conv2D(Y, kernelX, dst, dep, anchor, borderType);
}
//先进行水平方向的卷积，再进行垂直方向的卷积
void sepConv2D_X_Y(InputArray src, OutputArray dst, int dep, InputArray kernelX, InputArray kernelY, Point anchor=Point(-1,-1), int borderType=BORDER_DEFAULT){Mat X;conv2D(src, kernelX, X, dep, anchor, borderType);conv2D(X, kernelY, dst, dep, anchor, borderType);
}
//Sobel算子提取边缘信息
Mat Sobel(Mat &src, int x_flag, int y_flag, int kSize, int borderType){Mat Smooth = getSmmoothKernel(kSize);Mat Diff = getDiffKernel(kSize);Mat dst;if(x_flag){sepConv2D_Y_X(src, dst, CV_32FC1, Smooth.t(), Diff, Point(-1, -1), borderType);}else if(x_flag == 0 && y_flag){sepConv2D_X_Y(src, dst, CV_32FC1, Smooth, Diff.t(), Point(-1, -1), borderType);}return dst;
}
int main(){Mat src = imread("../lena.jpg");Mat gray;cvtColor(src, gray, CV_BGR2GRAY);Mat dst1 = Sobel(gray, 1, 0, 3, BORDER_DEFAULT);Mat dst2 = Sobel(gray, 0, 1, 3, BORDER_DEFAULT);//转8位灰度图显示convertScaleAbs(dst1, dst1);convertScaleAbs(dst2, dst2);imshow("origin", gray);imshow("result-X", dst1);imshow("result-Y", dst2);imwrite("../result.jpg", dst1);imwrite("../result2.jpg", dst2);waitKey(0);return 0;
}

5. 效果

可以看到两种不同的操作顺序会获得不完全一样的边缘检测效果。

6. 结论

这篇文章介绍了边缘检测是如何手动构造的，只要熟记二项式展开的系数，以此为出发点就比较好分析了。后面的源码实现也是比较朴素的实现，如果你想加速那么重心可以放在filter2D也即是卷积操作上，以后会来分享的。

欢迎关注GiantPandaCV, 在这里你将看到独家的深度学习分享，坚持原创，每天分享我们学习到的新鲜知识。( • ̀ω•́ )✧

有对文章相关的问题，或者想要加入交流群，欢迎添加BBuf微信：

https://u.wechat.com/MPWFDnmCPu6zgf5YUtdpT_U (二维码自动识别)