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]