目录
一、前言
二、主要参数
三、代码实现及效果展示
一、前言
在计算机视觉和图像处理中，边缘通常包含了有关对象轮廓和结构的重要信息。OpenCV 是一个流行的计算机视觉库，它提供了许多用于边缘检测的工具，其中之一就是Sobel算子。
什么是Sobel算子？
Sobel算子是一种基于卷积的边缘检测算法，它用于检测图像中的水平和垂直边缘。Sobel算子的核（kernel）是一个3x3的矩阵，分别对图像的水平和垂直方向进行卷积操作，从而得到水平和垂直边缘的近似梯度信息。这些梯度信息可以用来确定图像中的边缘位置。
具体原理可查看我的另一篇博客：sobel算子的原理
二、主要参数
cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)
src: 输入图像，即需要进行边缘检测的源图像。 ddepth: 输出图像的深度（数据类型）。它通常设置为-1，表示输出图像的深度与输入图像相同。如果你希望输出的图像是有符号整数（Sobel算子通常会生成负数值），可以选择 cv2.CV_16S 或 cv2.CV_64F 作为输出深度。 dx 和 dy: 分别表示Sobel算子的水平和垂直导数的阶数。通常，dx 设置为1，表示计算水平方向的导数；dy 设置为0，表示不计算垂直方向的导数。你也可以将它们互换以计算垂直导数。 dst: 输出图像，用于存储Sobel操作的结果。这是可选参数，可以省略。 ksize: Sobel核的大小，通常是3，表示3x3的核。这个参数决定了Sobel算子的灵敏度。 scale: 可选参数，用于缩放导数的值。通常设置为1。通过调整这个参数，你可以控制导数值的幅度。 delta: 可选参数，添加到输出图像上的可选值。通常设置为0。 borderType: 可选参数，边界处理的类型，可以是以下之一：
cv2.BORDER_DEFAULT: 默认边界处理方式，通常使用0值填充。cv2.BORDER_CONSTANT: 使用用户指定的常数值进行填充。cv2.BORDER_REPLICATE: 使用最边缘像素进行填充。cv2.BORDER_REFLECT: 使用图像的反射边界像素进行填充。
三、代码实现及效果展示
方便理解，我们就用一个简单的图片：yuan.png:
使用Sobel算子进行水平边缘检测：
# 导入OpenCV库
import cv2
# 从文件 'yuan.png' 中加载图像，并将其存储在 'yuan' 变量中
yuan = cv2.imread('yuan.png')
# 在窗口中显示加载的图像，窗口标题为 'yuan'
cv2.imshow('yuan', yuan)
# 等待100000毫秒（即100秒），或者等待用户按下键盘上的任意键，然后关闭图像窗口
cv2.waitKey(100000)
# 使用Sobel算子进行水平边缘检测
yuan_x_64 = cv2.Sobel(yuan, cv2.CV_64F, dx=1, dy=0)
# 这一步将默认的uint8数据类型更改为float64，以便能够保存负数的边缘强度
# 将Sobel结果的负数值转换为正数
yuan_x_full = cv2.convertScaleAbs(yuan_x_64)
# 这一步将负数值转换为其绝对值，以便在显示时产生正确的视觉效果
# 在新的窗口中显示Sobel边缘检测后的图像，窗口标题为 'yuan_x_full'
cv2.imshow('yuan_x_full', yuan_x_full)
# 等待100000毫秒（即100秒），或者等待用户按下键盘上的任意键，然后关闭图像窗口
cv2.waitKey(100000)
运行结果：
使用Sobel算子进行垂直边缘检测：
# 导入OpenCV库
import cv2
# 从文件 'yuan.png' 中加载图像，并将其存储在 'yuan' 变量中
yuan = cv2.imread('yuan.png')
# 在窗口中显示加载的图像，窗口标题为 'yuan'
cv2.imshow('yuan', yuan)
cv2.waitKey(100000)
# 使用Sobel算子进行垂直边缘检测
yuan_y_64 = cv2.Sobel(yuan, cv2.CV_64F, dx=0, dy=1)
# 这一步将默认的uint8数据类型更改为float64，以便能够保存负数的边缘强度
# 将Sobel结果的负数值转换为正数
yuan_y_full = cv2.convertScaleAbs(yuan_y_64)
# 这一步将负数值转换为其绝对值，以便在显示时产生正确的视觉效果
# 在新的窗口中显示Sobel垂直边缘检测后的图像，窗口标题为 'yuan_y_full'
cv2.imshow('yuan_y_full', yuan_y_full)
cv2.waitKey(100000)
运行结果：
合并这两个结果就可以得到完整的边缘检测图像：
import cv2
yuan = cv2.imread('yuan.png')
# 使用Sobel算子进行水平边缘检测
yuan_x_64 = cv2.Sobel(yuan, cv2.CV_64F, dx=1, dy=0)
# 这一步将默认的uint8数据类型更改为float64，以便能够保存负数的边缘强度
# 将Sobel水平边缘检测结果的负数值转换为正数
yuan_x_full = cv2.convertScaleAbs(yuan_x_64)
# 这一步将负数值转换为其绝对值，以便在显示时产生正确的视觉效果
# 使用Sobel算子进行垂直边缘检测
yuan_y_64 = cv2.Sobel(yuan, cv2.CV_64F, dx=0, dy=1)
# 这一步将默认的uint8数据类型更改为float64，以便能够保存负数的边缘强度
# 将Sobel垂直边缘检测结果的负数值转换为正数
yuan_y_full = cv2.convertScaleAbs(yuan_y_64)
# 这一步将负数值转换为其绝对值，以便在显示时产生正确的视觉效果
# 使用addWeighted函数将水平和垂直边缘检测结果叠加，创建合并的边缘检测图像
yuan_xy_full = cv2.addWeighted(yuan_x_full, 1, yuan_y_full, 1, 0)
# 这一步将两个图像叠加在一起，权重都为1，不做亮度调整
# 在新的窗口中显示合并的边缘检测图像，窗口标题为 'yuan_xy_full'
cv2.imshow('yuan_xy_full', yuan_xy_full)
cv2.waitKey(100000)
运行结果：
现在，我们拿一张复杂点的图片试试效果：
import cv2
# 从文件 'zl.png' 中加载灰度图像，并将其存储在 'zl' 变量中
zl = cv2.imread('zl.png', cv2.IMREAD_GRAYSCALE)
# 这里使用了 'cv2.IMREAD_GRAYSCALE' 标志，以确保图像以灰度模式加载
# 在新窗口中显示加载的灰度图像，窗口标题为 'yuantu'
cv2.imshow('yuantu', zl)
cv2.waitKey(100000)
# 使用Sobel算子进行水平边缘检测
zl_x_64 = cv2.Sobel(zl, cv2.CV_64F, dx=1, dy=0)
# 这一步将默认的int8数据类型更改为float64，以便能够保存负数的边缘强度
# 将Sobel水平边缘检测结果的负数值转换为正数
zl_x_full = cv2.convertScaleAbs(zl_x_64)
# 这一步将负数值转换为其绝对值，以便在显示时产生正确的视觉效果
# 使用Sobel算子进行垂直边缘检测
zl_y_64 = cv2.Sobel(zl, cv2.CV_64F, dx=0, dy=1)
# 这一步将默认的int8数据类型更改为float64，以便能够保存负数的边缘强度
# 将Sobel垂直边缘检测结果的负数值转换为正数
zl_y_full = cv2.convertScaleAbs(zl_y_64)
# 这一步将负数值转换为其绝对值，以便在显示时产生正确的视觉效果
# 使用addWeighted函数将水平和垂直边缘检测结果叠加，创建合并的边缘检测图像
zl_xy_sobel_full = cv2.addWeighted(zl_x_full, 1, zl_y_full, 1, 0)
# 这一步将两个图像叠加在一起，权重都为1，不做亮度调整
# 在新的窗口中显示合并的边缘检测图像，窗口标题为 'zl_xy_sobel_full'
cv2.imshow('zl_xy_sobel_full', zl_xy_sobel_full)
cv2.waitKey(100000)
运行结果：
精彩内容
您阅读本篇文章共花了：
发表评论