opencv0014 索贝尔（sobel）算子

2024-02-03 11:04
文章标签 算子 sobel 贝尔 opencv0014

本文主要是介绍opencv0014 索贝尔（sobel）算子，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前面学习的滤波器主要是用来模糊图像，今天一起来了解关于边缘识别的滤波吧！嘿嘿

边缘

边缘是像素值发生跃迁的位置，是图像的显著特征之一，在图像特征提取，对象检测，模式识别等方面都有重要的作用。

人眼如何识别图像边缘?
比如有一幅图，图里面有一条线，左很亮，右边很暗,那人眼就很容易识别这条线作为边缘也就是图像的灰度值快速变化的地方.

soble算子


sobel算子对图像求一阶导数。一阶导数越大，说明像素在该方向的变化越大，边缘信号越强。
因为图像的灰度值都是离散的数字，sozbel算子采用离散差分算子计算图像像素点亮度值的近似梯度.
图像是二维的，即沿着宽度/高度两个方向.

我们使用两个卷积核对原图像进行处理

这样的话，,我们就得到了两个新的矩阵，分别反映了每一点像素在水平方向上的亮度变化情况和在垂直方向上的亮度变换情况.
综合考虑这两个方向的变化，我们使用以下公式反映某个像素的梯度变化情况.

实例 

计算x轴方向的梯度，只有垂直方向上的边缘 

相似的，这是只有y轴的边缘

然后，把两个边缘拼到一起

这篇关于opencv0014 索贝尔（sobel）算子的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/673943。

相关文章

【智能优化算法改进策略之局部搜索算子(五)—自适应Rosenbrock坐标轮换法】

【智能优化算法改进策略之局部搜索算子(五)—自适应Rosenbrock坐标轮换法】

1、原理介绍 作为一种有效的直接搜索技术，Rosenbrock坐标轮换法[1,2]是根据Rosenbrock著名的“香蕉函数”的特点量身定制的，该函数的最小值位于曲线狭窄的山谷中。此外，该方法是一种典型的基于自适应搜索方向集的无导数局部搜索技术。此法于1960年由Rosenbrock提出，它与Hooke-Jeeves模式搜索法有些类似，但比模式搜索更为有效。每次迭代运算分为两部分[3]： 1)
阅读更多...
智能优化算法改进策略之局部搜索算子(六)--进化梯度搜索

智能优化算法改进策略之局部搜索算子(六)--进化梯度搜索

1、原理介绍     进化梯度搜索(Evolutionary Gradient Search, EGS)[1]是兼顾进化计算与梯度搜索的一种混合算法，具有较强的局部搜索能力。在每次迭代过程中，EGS方法首先用受进化启发的形式估计梯度方向，然后以最陡下降的方式执行实际的迭代步骤，其中还包括步长的自适应，这一过程的总体方案如下图所示：     文献[1]
阅读更多...
智能优化算法改进策略之局部搜索算子(三)—二次插值法

智能优化算法改进策略之局部搜索算子(三)—二次插值法

1、原理介绍 多项式是逼近函数的一种常用工具。在寻求函数极小点的区间（即寻查区间）上，我们可以利用在若干点处的函数值来构成低次插值多项式，用它作为求极小点的函数的近似表达式，并用这个多项式的极小点作为原函数极小点的近似。低次多项式的极小点比较容易计算。常用的插值多项式为二次或三次，一般说来三次插值公式的收敛性好一些，但在导数不变计算时，三点二次插值也是一种常用的方法[1]。 3
阅读更多...
智能优化算法改进策略之局部搜索算子(四)--梯度搜索法

智能优化算法改进策略之局部搜索算子(四)--梯度搜索法

2、仿真实验 以海洋捕食者算法（MPA）为基本算法。考察基于梯度搜索的改进海洋捕食者算法（命名为GBSMPA） vs. 海洋捕食者算法（MPA）  在Sphere函数上的比较      在Penalized1函数上的比较    在CEC2017-1上的比较    在CEC2017-3上的比较 在CEC2017-4上的比较 代码获取：
阅读更多...
智能优化算法改进策略之局部搜索算子(八)--Powell方法

智能优化算法改进策略之局部搜索算子(八)--Powell方法

1、原理介绍 Powell方法[1]是一种无约束优化算法，又称为方向加速法，用于寻找多变量函数的极小值。其基本思想是在迭代中逐次产生Q共轭方向组，本质上它属于不需计算导数的共轭方向法。每次迭代后，算法会更新搜索方向，并包含新的方向以改善优化效果。由于Powell方法不需要计算梯度信息，因此适用于目标函数不可导或计算梯度成本较高的情况。它在迭代过程中通过调整方向和步长，逐步缩小搜索范围，以达到目标
阅读更多...
智能优化算法改进策略之局部搜索算子(七)--自适应模式搜索法

智能优化算法改进策略之局部搜索算子(七)--自适应模式搜索法

1、原理介绍     模式搜索法[1]是Hooke与Jeeves提出的一种直接搜索算法，其目的是通过比较目标函数在有限点集中的函数值来优化目标函数。更重要的是，它不仅不使用任何导数知识，而且不需要隐式地建立任何一种导数近似。 在这种直接搜索技术中，将模式移动和探索移动相结合，迭代地寻找最优解。该技术首先沿着每个轴进行探索性移动，以寻找新的基点和有利于函数值下降的方向。然后，为了加快在探索性移动
阅读更多...
Spark算子：RDD行动Action操作(3)–aggregate、fold、lookup

Spark算子：RDD行动Action操作(3)–aggregate、fold、lookup

aggregate def aggregate[U](zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U)(implicit arg0: ClassTag[U]): U aggregate用户聚合RDD中的元素，先使用seqOp将RDD中每个分区中的T类型元素聚合成U类型，再使用combOp将之前每个分区聚合后的U类型聚合成U类型，特别注意se
阅读更多...
Spark算子:RDDAction操作–first/count/reduce/collect/collectAsMap

Spark算子:RDDAction操作–first/count/reduce/collect/collectAsMap

first def first(): T first返回RDD中的第一个元素，不排序。 scala> var rdd1 = sc.makeRDD(Array(("A","1"),("B","2"),("C","3")),2)rdd1: org.apache.spark.rdd.RDD[(String, String)] = ParallelCollectionRDD[33] at mak
阅读更多...
Spark算子:RDD键值转换操作(4)–cogroup/join

Spark算子:RDD键值转换操作(4)–cogroup/join

cogroup 函数原型：最多可以组合4个RDD，可以通过partitioner和numsPartitions设置 def cogroup[W1, W2, W3](other1: RDD[(K, W1)], other2: RDD[(K, W2)], other3: RDD[(K, W3)], partitioner: Partitioner) :RDD[(K, (Iterable[V],
阅读更多...
Spark算子：RDD键值转换操作(3)–groupByKey、reduceByKey、reduceByKeyLocally

Spark算子：RDD键值转换操作(3)–groupByKey、reduceByKey、reduceByKeyLocally

groupByKey def groupByKey(): RDD[(K, Iterable[V])] def groupByKey(numPartitions: Int): RDD[(K, Iterable[V])] def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])] 该函数用于将RDD[K,V]中每个K对应
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2