了解Sobel算法的效果

老铁们，大家好，相信还有很多朋友对于了解Sobel算法的效果和的相关问题不太懂，没关系，今天就由我来为大家分享分享了解Sobel算法的效果以及的问题，文章篇幅可能偏长，希望可以帮助到大家，下面一起来看看吧！

2、边缘响应效果好。

有一个核心定义如下：

索贝尔的核心

常用的铁芯有卧式和立式两种。

OpenCV提供API:

oid cv:Sobel(InputArray src,OutputArray dst,int ddepth,int dx,int dy,int ksize=3,double scale=1,double delta=0,int borderType=BORDER_DEFAULT) 参数解释

API参数说明

根据解释可知，当ksize=-1时，将使用核心： SCHARR的改进版本。

当使用ksize=1时，不会进行高斯平滑；其他情况先进行高斯平滑，再进行边缘计算。

研究过Canny算法，知道Sobel的水平和垂直边缘检测是该算法的步骤之一。

（Canny并不是一个简单的算子，而是一个具有一定复杂度的算法；将Canny算法与卷积算子混淆似乎很不专业）

在老版本的OpenCV中，已经固化了Canny算法来为Sobel进行梯度计算，缺乏灵活性。

新版本算法发生了变化：

新版Canny重载接口

这显示了OpenCV在API设计上的进步。由于新版本的API，您可以传递自定义的水平/垂直渐变并重用Canny算法流程。

测试Sobel算法，如下：

const Mat src=. int cn=src.channels();垫子； if (方向==’两者’) { Mat hMat, vMat; cv:Sobel(src, hMat, CV_16S, 1, 0, ksize, 尺度， 增量); cv:Sobel(src, vMat, CV_16S, 0, 1, ksize, 尺度， 增量); if (resType==’abs’) { hMat=abs(hMat); vMat=绝对值(vMat); }else if ( resType==’cast’) { hMat.convertTo(hMat, CV_8UC(cn)); vMat.convertTo(vMat, CV_8UC(cn)); } ret=hMat + vMat; } else if (direction==’horizontal’) { cv:Sobel(src, ret, CV_16S, 1, 0, ksize, scale, delta); if (resType==’abs’) ret=abs(ret); else if (resType==’cast’) ret.convertTo( ret, CV_8UC(cn)); } else if (direction==’vertical’) { cv:Sobel(src, ret, CV_16S, 0, 1, ksize, scale, delta); if (resType==’abs’) ret=abs(ret); else if (resType==’cast’) ret.convertTo(ret, CV_8UC(cn)); } cv:normalize(ret, _dst, 0, 255, cv:NORM_MINMAX, CV_8UC(cn));//归一化为0到255之间2个方向的绝对值之和

2方向投射

2个方向未处理

水平方向绝对值

设置ksize=7 以获得较强的边缘响应

一些算法使用CV_8U作为梯度的输出。这是错误的。最好使用CV_16S。

那么对结果的处理方式主要有三种：abs（绝对值）/cast（截断）/none（不处理）。

Sobel 是一个简单的算法，但是非常有用。它对于图像分析非常有用。

基于梯度分析的算法基本上都会使用类似于Sobel的水平和垂直算子进行分析。

例如：LSD算法、Canny算法等。

用户评论

╯念抹浅笑

Sobel算是在边缘检测中很常用的了，这篇文章解释得很透彻！以前我用这个算法的时候总是遇到小问题，看完这篇博客之后对它原理和实现方式有了更深刻的理解。

    有12位网友表示赞同！

浮殇年华

我一直想学习边缘检测，不过总是感觉太抽象了。看了这篇文章后豁然开朗，Sobel算法的运作机制清晰易懂，甚至带图解，真的很有帮助！

    有14位网友表示赞同！

此生一诺

确实啊，Sobel算法的效果很明显，尤其是对于那些连续变化边缘的图像，效果非常好。但这篇文章里没有提到一些优化技巧，比如不同核大小的影响之类的，希望作者可以补充一下。

    有14位网友表示赞同！

巷雨优美回忆

这篇文章写的太简单了，我感觉完全不适合新手入门看。其实边缘检测的算法有很多种，不止Sobel一个，文章应该介绍一些其他算法和他们的优缺点对比才更全面。

    有17位网友表示赞同！

闷骚闷出味道了

对图像处理不太了解的人可能会觉得这篇文章有点艰深，不过如果你想深入学习Sobel算法，它是不可多得的资源！

    有11位网友表示赞同！

别在我面前犯贱

我一直以为边缘检测很简单，看了这篇文章才知道原来有很多细节需要把握。图片效果对比很清楚，可以有效地帮助理解Sobel 滤波的效果.

    有11位网友表示赞同！

失心疯i

这个 Sobel算 法确实是一个很好的入门选择，它简单易用，但效果也不错。文章讲解清晰易懂，适合想要了解计算机视觉基础知识的人学习。

    有5位网友表示赞同！

如梦初醒

我有点疑问，为什么Sobel算法在处理直线边缘时的效果不会像其他算法那样精准？作者能解释一下吗？

    有20位网友表示赞同！

寻鱼水之欢

对图像边缘检测这个话题很有兴趣，这篇文章讲解得比较深入。对于想要进一步学习 Sobel 算法的读者来说很值得阅读！

    有5位网友表示赞同！

熏染

文章中提到的 OpenCV 库应该也有一些更详细的例子和代码示例，对实际应用更有帮助。

    有5位网友表示赞同！

一别经年

我觉得Sobel算 法对于一些图像处理任务来说效果并不是很好，例如检测圆形边缘时就比较弱势。希望后面可以介绍一些针对不同边缘类型的算法。

    有9位网友表示赞同！

久爱不厌

这个看懂 Sobel 算法的效果真是个贴心的博文！我之前一直觉得这个算法很神奇，现在终于明白了它的原理了！

    有15位网友表示赞同！

青瓷清茶倾城歌

Sobel算法的本质是利用梯度信息来识别边缘，这篇文章解释得非常详细。对于想要学习图像处理的人来说，这是一篇必读的文章！

    有12位网友表示赞同！

最怕挣扎

看了这篇文章后，我对 Sobel 算法有了更深入的了解。不过还是希望能看到一些实实在在的代码实现，这样才能更好地理解它的应用。

    有16位网友表示赞同！

可儿

文章讲解很不错，特别是对 Sobel 算法的效果分析真的很贴切。我之前也用过这个算法，现在更加肯定它在边缘检测中的优势了！

    有8位网友表示赞同！

小清晰的声音

个人觉得这篇文章的内容偏深了一点，对于初学者来说可能有些难以理解。建议作者可以添加一些基础知识的铺垫。

    有15位网友表示赞同！

酒笙倾凉

Sobel 算 法确实是一个很有趣的算法，但这篇文章写的有点过于简洁，我希望看到更多的理论分析和实例应用。

    有13位网友表示赞同！