一、Sobel 算法简介
Sobel 算法是一种常用的边缘检测算法，主要用于图像处理领域，尤其是在检测图像的边界上有广泛应用。它属于一阶微分算子，利用卷积核结合像素梯度信息，能够有效定位图像中灰度变化较大的区域，也就是边缘。
二、原理解析
1. 图像梯度
图像的边缘通常发生在像素灰度发生突变的地方，可以通过对图像求导（计算梯度）来检测这种突变。
梯度定义为：
- 在 x 方向：水平灰度变化
- 在 y 方向：垂直灰度变化
2. Sobel 算子
Sobel 算法用两个简单的 3×3 卷积核分别计算水平方向（Gx）和垂直方向（Gy）的梯度：
水平（x 方向）Sobel 算子：
[ \begin{bmatrix} -1 & 0 & +1\ -2 & 0 & +2\ -1 & 0 & +1 \end{bmatrix} ]
垂直（y 方向）Sobel 算子：
[ \begin{bmatrix} +1 & +2 & +1\ 0 & 0 & 0\ -1 & -2 & -1 \end{bmatrix} ]
这两个核分别与图像进行卷积，得到每个像素点的 x 和 y 方向的梯度分量。
3. 梯度幅值与方向
计算每个像素点的梯度幅值和方向：
- 幅值（边缘强度）： [ G = \sqrt{G_x^2 + G_y^2} ] 或简化为 [ G ≈ |G_x| + |G_y| ]
- 方向（边缘角度）： [ \theta = \arctan\left(\frac{G_y}{G_x}\right) ]
三、Sobel 算法实现流程
- 图像预处理：通常先转为灰度图。
- 分别计算 Gx 与 Gy：与两个 Sobel 核做卷积。
- 合成梯度幅值与方向：获得边缘强度和方向信息。
- 输出结果：可直接二值化、可视化边缘。
四、代码示例（Python/OpenCV）
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读入图片并转灰度
img = cv2.imread('sample.jpg', cv2.IMREAD_GRAYSCALE)
# 计算 x 和 y 方向的 Sobel
sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
# 计算梯度幅值
sobel_mag = cv2.magnitude(sobelx, sobely)
# 显示
plt.subplot(1, , ), plt.imshow(sobelx, cmap=), plt.title()
plt.subplot(, , ), plt.imshow(sobely, cmap=), plt.title()
plt.subplot(, , ), plt.imshow(sobel_mag, cmap=), plt.title()
plt.show()
