本文主要是介绍6.边缘检测：梯度——索贝尔算子（Sobel）、Matlab梯度（Sobel）实战_4，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！
目录
索贝尔算子（Sobel）
Matlab梯度（Sobel）实战
索贝尔算子（Sobel）
人们其实做导数和边的时间已经很长了。最经典的是Sobel运算，它是以一个叫索贝尔的人的名字命名的。
Sobel运算就像我给你们看的上面的图片一样。但不是 和
，它很奇怪的是它在乘以
。
可以看到，它不仅是-2 +2 ，然后除以4得到相同的值。如图：
但它在我上面的行上也有-1 +1 ，在我下面的行上也有-1 +1 。如图：
（还记得我们之前说过的吗？我们假设我们的图像是局部的这种平滑，它们的变化相似吗?）
这里的想法：如果我要计算一个像素点的导数，我不会只看左边，右边，还要附近。
然后要使它标准化，你需要把它除以8。
MATLAB有一个内建函数叫做imgradientxy。他们说，我们可以用这个函数来计算梯度吗?
因为这是一个更高级的问题集的一部分而且他们已经做了梯度，我说当然。
突然间，人们有了各种各样的问题。原因是，如果你查imgradientxy，它会告诉你它默认应用了Sobel运算。
这是Sobel运算。看起来不错，但你知道吗? 它不除以8。（也就是不标准化）
所以他们所有的梯度被缩放了8倍，它把整个班级都搞砸了。
现在我们告诉他们你可以使用imgradientxy，但你最好除以8。
顺便说一下，y也在这里，在这里y是正向上的。如图：
那么Sobel梯度就是由Sx和Sy的应用组成来得到这些值。
大小就是各自的平方和的平方根。
我应该说gx是Sx的应用，gy是Sy的应用。如图：
大小就是我们之前做的。
这是arctan2，为了得到梯度，我们讨论过的atan2。如图：
这是一个古老的例子。
我知道它很古老，因为它是X窗口，甚至比你们大多数人出生的时间还要早。
这里是一个梯度，所以你只需应用Sobel算子，取平方和的平方根。
顺便说一下，你可以取临界值。如图：
你会注意到两件事。
一，它不是一个可怕的边缘图像；
二，它不是一个伟大的边缘图像；
我们可以在一定程度上要做到这一点。
Matlab梯度（Sobel）实战
有很多著名的边缘运算。
这是Sobel、Prewitt和Roberts，你们可以看到他们用了不同的方法。
实际上，在Matlab中有一个很酷的小函数叫做fspecial，它会根据你的名字为你做过滤器，
可能只在imfilter工具箱里或者基本的Matlab中。但是你可以给它高斯函数，你可以给它一些东西，你可以给它Sobel。
>> filt = fspecial('sobel');如果你给它Sobel，它会做的是它会回复这个运算。如图：
在这种情况下，顺便说一下，在Matlab中把所有东西都翻倍，如果我把它应用到某个图像上。如下：
>> outim = imfilter(double(im), filt);这是我的图像的两倍，我应用滤镜，然后我显示它，我使用一个灰色的颜色。如下：
>> imagesc(outim);
>> colormap gray;运行代码，如下：
你可以看到它给了我一个梯度图像，这是 y 梯度，它还会返回 x 梯度。
小测验：
最好使用梯度计算是哪一种？
A、选择卷积，因为这是建模过滤的正确方法，所以你不会得到轻率的结果。
B、选择相关性，因为比较容易，知道哪个方向是导数的计算方向。
C、都可以。
D、因为我可以写一个for循环它会计算导数。
这是一个很困难的问题。答案是B或者C。
只要你知道发生了什么，你可以做任何你想做的事，当这种情况下就是C。
所以我认为当你做梯度过滤时，做相关性可能对你更好。
顺便说一下，在过去，我们在Matlab中需要明确地调用相关或卷积。
现在我们倾向于使用imfilter，正如我们之前讨论过的。imfilter过滤器默认做相关。
——学会编写自己的代码，才能练出真功夫。
这篇关于6.边缘检测：梯度——索贝尔算子（Sobel）、Matlab梯度（Sobel）实战_4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！
