第3章 Sobel算子原理
卷积核设计 · 水平与垂直边缘检测 · 优缺点分析
3.1 Sobel卷积核设计
Sobel 算子是一种离散微分算子，结合了高斯平滑与差分运算。其核心是两个 3×3 卷积核：一个用于检测水平方向（X方向）边缘，另一个用于检测垂直方向（Y方向）边缘。核系数通过中心加权突出中心像素的重要性，同时抑制噪声。
| 方向 | 卷积核 (3×3) | 作用 |
|---|---|---|
| 水平 (Gx) | [[-1, 0, 1], |
检测垂直方向边缘（水平梯度） |
| 垂直 (Gy) | [[-1, -2, -1], |
检测水平方向边缘（垂直梯度） |
3.2 水平与垂直边缘检测
将图像 I 分别与 Gx 和 Gy 进行卷积，得到两个梯度分量：
- Gx：水平方向梯度，突出垂直边缘（明暗变化从左到右）。
- Gy：垂直方向梯度，突出水平边缘（明暗变化从上到下）。
梯度幅值通常计算为 G = sqrt(Gx² + Gy²)，或使用近似 |Gx| + |Gy| 以提升速度。梯度方向为 θ = atan2(Gy, Gx)。
3.3 Sobel算子的优缺点
| 优势 | 劣势 |
|---|---|
| ✔ 结构简单，计算高效，适合实时系统 | ✘ 对噪声敏感（尤其椒盐噪声），平滑能力有限 |
| ✔ 同时提供梯度幅值和方向信息 | ✘ 边缘定位精度一般，可能产生较粗边缘 |
| ✔ 各向同性较好，对水平和垂直边缘响应均衡 | ✘ 对斜向边缘响应较弱，存在角度偏差 |
| ✔ 易于硬件加速和并行化 | ✘ 核尺寸固定 (3×3)，无法适应不同尺度 |
Python 实现片段 (OpenCV)
import cv2
import numpy as np
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# Sobel 水平/垂直
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
# 梯度幅值
magnitude = np.sqrt(sobel_x**2 + sobel_y**2)
magnitude = np.clip(magnitude, 0, 255).astype(np.uint8)