若该文为原创文章，未经允许不得转载
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/105356578
各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究
目录
OpenCV开发专栏
OpenCV开发笔记（三十九）：红胖子8分钟带你深入了解sobel算子边缘检测（图文并茂+浅显易懂+程序源码）
前言
红胖子来也！！！
本篇章讲解sobel算子边缘检测，从之前的开发中，高级其实就是对进行边缘算子检测之前先进行一系列处理。
Demo
Demo图像结果位置示意图：
Sobel算子边缘检测
概述
Sobel（索贝尔）算子是计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。
索贝尔算子是把图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘。
索贝尔算子主要用作边缘检测。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梯度之近似值。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。
索贝尔算子不但产生较好的检测效果，而且对噪声具有平滑抑制作用，但是得到的边缘较粗，且可能出现伪边缘。
在对图象的研究和应用中,人们往往仅对图象中的某些部分感兴趣，这些部分通常称为目标或前景，其余部分则称为背景。将图象分为目标和背景的操作称为图象分割，图象分割是由图象处理进到图象分析的关键步骤。
多年来，图象分割一直得到人们的高度重视,至今已提出了上千种分割算法。 它们大致可分为阈值法、边缘检测法和区域生长法等几大类。在这些方法中,人们对阈值法较为重视，还不时有新的方法提出来。而对于后两种方法则注意较少，已有的方法基本上还是60～ 70年代提出的。究其原因，是由于阈值法方法比较简单，且计算量也较少些。但其缺点是，除了自适应阈值法外，其阈值的选取主要是根据灰度分布的直方图，而很少考虑象素的空间关系。
当图象比较复杂时,目标与背景就不能简单地用一个阈值来分离。这时就只有求助于边缘检测法或区域生长法. 而边缘检测法中最为常用的是Sobel算子。
Sobel算子的优点是方法简单、处理速度快，并且所得的边缘光滑、连续。其缺点是边缘较粗，由于处理时需作两值化处理，故得到的边缘与阈值的选取也有很大的关系。
原理
第一步：分别在x和y两个方向求导
假设输入图像为I。
水平变化：将I与奇数大小的内核进行卷积，比如当核的大小为3时，Gx的计算结果为：
垂直变化：将I与奇数大小的内核进行卷积，比如当核的大小为3时，Gy的计算结果为：
第二步：求出近似梯度
在图像的每一点，结合Gx和Gy求出近似梯度：
也可以使用更简单的公式代替：
Sobel函数使用需要带额外的步骤
步骤一：先创建两个cv::Mat缓存
// 使用Sobel边缘检测
// 步骤一：先分别创建2个矩阵，共4个
cv::Mat gradXMat, absGradXMat;
cv::Mat gradYMat, absGradYMat;
// copy
mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
cv::Range(srcMat.cols * 0, srcMat.cols * 1));
步骤二：求X方向的梯度
// 步骤二：求X方向的梯度
cv::Sobel(grayMat3Channels, gradXMat, CV_16S, 1, 0, 3, 1, 1);
cv::convertScaleAbs(gradXMat, absGradXMat);
步骤三：求Y方向的梯度
// 步骤三：求Y方向的梯度
cv::Sobel(grayMat3Channels, gradYMat, CV_16S, 0, 1, 3, 1, 1);
cv::convertScaleAbs(gradYMat, absGradYMat);
步骤四：合并梯度（近似）
// 步骤四：合并梯度（近似）
cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
Sobel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 );
- 参数一：InputArray类型的image，一般是cv::Mat；
- 参数二：OutputArray类型的dst，与输入的图像大小相同；
- 参数三：int类型的ddepth，输出图像深度，8位输入图像会导致结果被截断，组合有如下：
- 参数四：int类型的dx，x方向上的差分阶数，1或者0；
- 参数五：int类型的dy，y方向上的差分阶数，1或者0；
- 参数六：int类型的ksize，值可为1、3、5、7，默认值为3；
- 参数七：double类型的scale，缩放计算的导数值的可选比例因子；默认值为1，表示没有进行缩放；
- 参数八：double类型的detal，delta在将结果存储到dst前添加到结果中；
- 参数九：int类型的borderType，一般情况下无需关注；
颜色转换函数
void convertScaleAbs(InputArray src,
OutputArray dst,
double alpha = 1,
double beta = 0);
- 参数一：InputArray类型的image，一般是cv::Mat；
- 参数二：OutputArray类型的dst，输出图像；
- 参数三：double类型的appha；
- 参数四：double类型的depth；
（补充：其实这个就是类似于对比度和亮度的调整，但是却不是，因为当其计算结果小于0时，不会去做处理，导致值向前借位，反而变白了）
《OpenCV开发笔记（十三）：OpenCV图像对比度、亮度的调整》
使用该函数回头去替换对比度和亮度的Demo，如下图：
Demo源码
void OpenCVManager::testSobel()
{
QString fileName1 = "E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/11.jpg";
cv::Mat srcMat = cv::imread(fileName1.toStdString());
if(!srcMat.data)
{
qDebug() << __FILE__ << __LINE__
<< "Failed to load image:" << fileName1;
return;
}
int width = 300;
int height = 200;
cv::resize(srcMat, srcMat, cv::Size(width, height));
cv::String windowName = _windowTitle.toStdString();
cvui::init(windowName);
cv::Mat dstMat;
dstMat = cv::Mat::zeros(srcMat.size(), srcMat.type());
cv::Mat windowMat = cv::Mat(cv::Size(dstMat.cols * 3, dstMat.rows * 3),
srcMat.type());
int ksize = 1; // 核心大小
int sigmaX = 0; // x方向的标准偏差
int sigmaY = 0; // y方向的标准偏差
int ksize2 = 1;
int sigmaS = 160;
int sigmaR = 2;
cvui::window(windowMat, dstMat.cols, 0, dstMat.cols, dstMat.rows, "settings");
cv::Mat grayMat;
cv::Mat grayMat3Channels;
cv::Mat mat;
cv::cvtColor(srcMat, grayMat, CV_BGR2GRAY);
cv::cvtColor(grayMat, grayMat3Channels, CV_GRAY2BGR);
while(true)
{
windowMat = cv::Scalar(0, 0, 0);
// 原图先copy到左边
cv::Mat leftMat = windowMat(cv::Range(0, srcMat.rows),
cv::Range(0, srcMat.cols));
cv::addWeighted(leftMat, 1.0f, srcMat, 1.0f, 0.0f, leftMat);
// 中间为调整滤波参数的相关设置
cvui::printf(windowMat, 375, 20, "ksize = size * 2 + 1");
cvui::trackbar(windowMat, 375, 30, 165, &ksize, 0, 10);
cvui::printf(windowMat, 375, 80, "sigmaX");
cvui::trackbar(windowMat, 375, 90, 165, &sigmaX, 0, 100);
cvui::printf(windowMat, 375, 140, "sigmaY");
cvui::trackbar(windowMat, 375, 150, 165, &sigmaY, 0, 100);
// 复制灰度图像
{
cv::Mat rightMat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
cv::Range(srcMat.cols * 0, srcMat.cols * 1));
cv::addWeighted(rightMat, 0.0f, grayMat3Channels, 1.0f, 0.0f, rightMat);
}
{
// 高斯滤波
cv::Mat mat;
cv::GaussianBlur(grayMat3Channels,
mat,
cv::Size(ksize * 2 + 1, ksize * 2 + 1),
sigmaX / 10.f,
sigmaY / 10.f);
// 效果图copy到右边
// 注意：rang从位置1到位置2，不是位置1+宽度
cv::Mat rightMat = windowMat(cv::Range(0, srcMat.rows),
cv::Range(srcMat.cols * 2, srcMat.cols * 3));
cv::addWeighted(rightMat, 0.0f, mat, 1.0f, 0.0f, rightMat);
// 高斯滤波后进行边缘检测
// 使用Sobel边缘检测
// 步骤一：先分别创建2个矩阵，共4个
cv::Mat gradXMat, absGradXMat;
cv::Mat gradYMat, absGradYMat;
// 步骤二：求X方向的梯度
cv::Sobel(mat, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
cv::convertScaleAbs(gradXMat, absGradXMat);
// // 步骤三：求Y方向的梯度
cv::Sobel(mat, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
cv::convertScaleAbs(gradYMat, absGradYMat);
// // 步骤四：合并梯度（近似）
cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
cv::Mat rightMat2 = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
cv::Range(srcMat.cols * 2, srcMat.cols * 3));
cv::addWeighted(rightMat2, 0.0f, dstMat, 1.0f, 0.0f, rightMat2);
}
{
cvui::printf(windowMat,
srcMat.cols * 1 + 75,
srcMat.rows * 1 + 100, "ksize");
cvui::trackbar(windowMat,
srcMat.cols * 1 + 75,
srcMat.rows * 1 + 130,
165,
&ksize2,
0,
3);
// 使用Sobel边缘检测
// 步骤一：先分别创建2个矩阵，共4个
cv::Mat gradXMat, absGradXMat;
cv::Mat gradYMat, absGradYMat;
// 步骤二：求X方向的梯度
cv::Sobel(grayMat3Channels, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
cv::convertScaleAbs(gradXMat, absGradXMat);
// 步骤三：求Y方向的梯度
cv::Sobel(grayMat3Channels, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
cv::convertScaleAbs(gradYMat, absGradYMat);
// 步骤四：合并梯度（近似）
cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
// copy
mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
cv::Range(srcMat.cols * 0, srcMat.cols * 1));
cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat);
}
{
cvui::printf(windowMat, 75 + width * 1, height * 2 + 20, "sigmaS");
cvui::trackbar(windowMat, 75 + width * 1, height * 2 + 50, 165, &sigmaS, 101, 10000);
cvui::printf(windowMat, 75 + width * 1, height * 2 + 90, "sigmaR");
cvui::trackbar(windowMat, 75 + width * 1, height * 2 + 120, 165, &sigmaR, 1, 100);
// 使用自适应流形应用高维滤波。
cv::Mat tempMat;
cv::Ptr<cv::ximgproc::AdaptiveManifoldFilter> pAdaptiveManifoldFilter
= cv::ximgproc::createAMFilter(sigmaS/100.0f, sigmaR/100.0f, true);
pAdaptiveManifoldFilter->filter(grayMat, tempMat);
cv::cvtColor(tempMat, tempMat, CV_GRAY2BGR);
// 使用Sobel边缘检测
// 步骤一：先分别创建2个矩阵，共4个
cv::Mat gradXMat, absGradXMat;
cv::Mat gradYMat, absGradYMat;
// 步骤二：求X方向的梯度
cv::Sobel(tempMat, gradXMat, CV_16S, 1, 0, ksize2 * 2 + 1, 1, 1);
cv::convertScaleAbs(gradXMat, absGradXMat);
// 步骤三：求Y方向的梯度
cv::Sobel(tempMat, gradYMat, CV_16S, 0, 1, ksize2 * 2 + 1, 1, 1);
cv::convertScaleAbs(gradYMat, absGradYMat);
// 步骤四：合并梯度（近似）
cv::addWeighted(absGradXMat, 0.5, absGradYMat, 0.5, 0, dstMat);
// copy
mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
cv::Range(srcMat.cols * 2, srcMat.cols * 3));
cv::addWeighted(mat, 0.0f, dstMat, 1.0f, 0.0f, mat);
}
// 更新
cvui::update();
// 显示
cv::imshow(windowName, windowMat);
// esc键退出
if(cv::waitKey(25) == 27)
{
break;
}
}
}
工程模板：对应版本号v1.34.0
对应版本号v1.34.0
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/105356578
