当前位置：首页 > news >正文

（纯新手教学）计算机视觉（opencv）实战七——边缘检测Sobel 算子（cv2.Sobel()）详解

news 2025/8/25 9:49:53

更多学习：四种边缘检测

（纯新手教学）计算机视觉（opencv）实战八——四种边缘检测详解：Sobel、Scharr、Laplacian、Canny-CSDN博客https://blog.csdn.net/2302_78022640/article/details/150592942?sharetype=blogdetail&sharerId=150592942&sharerefer=PC&sharesource=2302_78022640&spm=1011.2480.3001.8118

边缘检测

1. 边缘检测的概念

在图像处理中，**边缘（Edge）**是像素灰度值急剧变化的区域，通常对应图像中的物体边界、纹理或者结构特征。检测边缘有助于我们提取图像的几何结构，广泛应用于物体识别、分割和计算机视觉任务。

最常见的边缘检测方法之一就是 Sobel 算子。

2. Sobel 算子的基本原理

Sobel 算子通过计算图像在 水平方向（x） 和 垂直方向（y） 的梯度，来检测图像的边缘。

梯度（Gradient）：反映灰度值变化的快慢，变化越大说明该区域越可能是边缘。
Sobel 算子在计算时，会结合平滑和微分操作，减少噪声干扰。

其常见的卷积核为：

水平方向（x方向）核：

垂直方向（y方向）核：

通过与图像进行卷积，分别得到 x方向梯度 和 y方向梯度，再进行组合就能得到最终的边缘。

3. cv2.Sobel() 函数

在 OpenCV 中，Sobel 算子的函数为：

cv2.Sobel(src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType]]]])

参数说明：

参数	说明
src	输入图像（一般用灰度图像）
ddepth	输出图像的深度。常用 cv2.CV_64F，避免数据溢出
dx	x方向的差分阶数（1 表示一阶导数）
dy	y方向的差分阶数（1 表示一阶导数）
ksize	Sobel 核大小，必须是 1, 3, 5, 7（常用 3）
scale	可选参数，缩放导数值
delta	可选参数，结果加上某个值
borderType	边界填充方式，默认 cv2.BORDER_DEFAULT

4. 代码解析与效果

可直接使用下图，也可自备图片：但是要记得灰度处理（根据需要也可以尝试彩色）

所有处理后的结果：

（1）读取与显示图像

import cv2
img = cv2.imread('violet.jpg',cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img,(800,500))
cv2.imshow('img', img)
cv2.waitKey(0)

使用灰度图像，便于边缘提取。
图像缩放到合适大小，便于展示。

（2）x方向的边缘

# x方向上的边缘
img_x = cv2.Sobel(img, -1, dx=1, dy=0)
cv2.imshow('img_x', img_x)
cv2.waitKey(0)

这里 dx=1, dy=0，表示只计算水平方向的梯度。
能突出 竖直边缘（例如物体左右边界）。
使用 -1 表示输出图像深度与原图相同。

（3）保留负值信息

# x方向上的边缘，包含负值信息（直接显示不出来，因为范围是0~255）
img_x_64 = cv2.Sobel(img, cv2.CV_64F, dx=1, dy=0)  # 默认uint8改为float64, 可保存负数
cv2.imshow('img_x_64', img_x_64)
cv2.waitKey(0)

cv2.CV_64F 可保存浮点数，包括正负值。
因为梯度可能是正数（亮到暗的变化）或负数（暗到亮的变化）。
但直接显示会出现“黑屏”，因为显示范围是 0~255。

（4）转换为可视化图像

# x方向上的边缘，将负数的数值信息转成可视化的数值，右端的负值信息就能显示出来了
img_x_full = cv2.convertScaleAbs(img_x_64)  # 转换为绝对值，负数转换为正数
cv2.imshow('img_x_full', img_x_full)
cv2.waitKey(0)

将梯度的负值转换为绝对值，保证显示效果。
这样左右边界都能显示出来。

（5）y方向的边缘

# y方向的边缘
img_y = cv2.Sobel(img, -1, dx=0, dy=1)
cv2.imshow('img_y', img_y)
cv2.waitKey(0)# y方向上的边缘,包括负数信息(下端)，但是示不出来，因为范围是(0~255)
img_y_64= cv2.Sobel(img,cv2.CV_64F,dx=0,dy=1)#默认int8改为float64，可保存负数
img_y_full = cv2.convertScaleAbs(img_y_64)#转换为绝对值，负数转换为正数
cv2.imshow( 'img_y_full',img_y_full)
cv2.waitKey(0)

dx=0, dy=1，表示只计算垂直方向的梯度。
能突出 水平边缘（例如物体上下边界）。

同样地，可以通过 cv2.CV_64F + cv2.convertScaleAbs 来显示完整信息。

（6）直接同时计算 x 和 y

# 同时使用x与y方向的边缘（不建议直接使用！！）
img_xy = cv2.Sobel(img, -1, dx=1, dy=1)
cv2.imshow('img_xy', img_xy)
cv2.waitKey(0)

这种方式会将 x 和 y 梯度直接结合，但通常效果不佳，不推荐。

（7）分别计算x和y后，加权融合

# 使用图像加权运算组合x和y方向的2个边缘
img_xy_full = cv2.addWeighted(img_x_full,1,img_y_full,1,0)
cv2.imshow('img_xy_full', img_xy_full)
cv2.waitKey(0)
cv2.destroyAllWindows()