函数原型
void Sobel( InputArray src, OutputArray dst, int ddepth, int dx, int dy, int ksize = 3, double scale = 1, double delta = 0, int borderType = BORDER_DEFAULT );
参数说明
- InputArray类型的image,输入图像,8位图像。
- OutputArray类型的dst,输出图像。
- int类型的ddepth,输出图像的深度。若src为CV_8U,则可取-1/CV_16S/CV_32F/CV_64F;若src为CV_16U/CV_16S,可取-1/CV_32F/CV_64F;若src为CV_32F,可取-1/CV_32F/CV_64F;若src为CV_64F,可取-1/CV_64F。
- int类型的dx,x方向上的差分阶数。
- int类型的dy,y方向上的差分阶数。
- int类型的ksize,默认值为3,表示Sobel核的大小,取奇数。
- double类型的scale,计算导数值时选的缩放因子,默认为1。
- double类型的delta,表示在结果存入目标图之前可选的delta值,默认为0。
- int类型的borderType,边界模式。
函数原理
Sobel算子是一个主要用于边缘检测的离散微分算子。它结合了高斯平滑和微分求导,用来计算图像灰度函数的近似梯度。在图像的任何一点使用此算子,都会产生对应的梯度矢量或法矢量。
Soble算子的计算步骤:
1.假设图像为I,分别在x和y方向求导。
1)水平方向将I与一个奇数大小的内核进行卷积,所得结果为Gx:
2)垂直方向将I与一个奇数大小的内核进行卷积,所得结果为Gy:
2.在图像的每一点,结合Gx和Gy求出近似梯度G:
测试代码
#include <iostream> #include <opencv2/opencv.hpp> #include <opencv2/highgui.hpp> using namespace std; using namespace cv; int main() { Mat src = imread("test.jpg"); Mat gradx, grady, absgradx, absgrady, result; // X方向梯度 Sobel(src, gradx, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT); convertScaleAbs(gradx, absgradx); // Y方向梯度 Sobel(src, grady, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT); convertScaleAbs(grady, absgrady); // 梯度相加 addWeighted(absgradx, 0.5, absgrady, 0.5, 0, result); // 结果显示 imshow("src", src); imshow("x", absgradx); imshow("y", absgrady); imshow("result", result); waitKey(0); return 0; }
测试效果
图1 原图
图2 x方向sobel
图3 y方向sobel
图4 整体方向sobel
因为Sobel算子结合了高斯平滑和分化,所以结果具备一定抗噪性哦~
如果文章帮助到你了,可以点个赞让我知道,我会很快乐~加油!