Image processing 索贝尔面具是如何衍生出来的？
我知道这些是平滑滤波器和梯度的组合，但它们如何组合以获得此输出？Sobel核是派生核[-1 0 1]与平滑核[1 2 1]的卷积。前者是直接的，后者是相当任意的——如果你愿意，你可以将其视为某种1D高斯函数的离散实现，具有一定的σ。我认为边缘检测（即梯度）的影响是明显的——如果存在垂直边缘。sobel运算符Gx肯定会给出相对于没有边的位置的较大值，因为只需减去两个不同的值（边一侧的强度与另一侧的强度相差很大）。在水平边缘上也有同样的想法 关于平滑，如果您看到例如simga=1.0的高斯函数掩码： 这实际上是进行平滑处理的，您可以理解一个想法：我们实际上将一个像素设置为与其相邻像素的值关联的值。这意味着我们分别对正在考虑的像素“平均”值。在我们的例子中，Gx和Gy，与高斯相比，它表现出轻微的平滑，但想法仍然是一样的 可能重复的Image processing 索贝尔面具是如何衍生出来的？,image-processing,computer-vision,Image Processing,Computer Vision,我知道这些是平滑滤波器和梯度的组合，但它们如何组合以获得此输出？Sobel核是派生核[-1 0 1]与平滑核[1 2 1]的卷积。前者是直接的，后者是相当任意的——如果你愿意，你可以将其视为某种1D高斯函数的离散实现，具有一定的σ。我认为边缘检测（即梯度）的影响是明显的——如果存在垂直边缘。sobel运算符Gx肯定会给出相对于没有边的位置的较大值，因为只需减去两个不同的值（边一侧的强度与另一侧的强度相差很大）。在水平边缘上也有同样的想法 关于平滑，如果您看到例如simga=1.0的高斯函数掩码：
Gx = [-1 0 1
-2 0 2
-1 0 1]
Gy = [-1 -2 -1
0 0 0
1 2 1]