OpenCV 图形API（38）图像滤波-----Sobel 算子操作函数Sobel()

• 操作系统：ubuntu22.04
• OpenCV版本：OpenCV4.9
• IDE:Visual Studio Code
• 编程语言：C++11

算法描述

cv::gapi::Sobel 函数是 OpenCV 的 G-API 模块中用于执行 Sobel 算子操作的一个函数，主要用于图像的边缘检测。Sobel 算子通过计算图像强度的梯度来工作，它使用一个内核在水平方向（dx）和垂直方向（dy）上进行卷积运算。

使用扩展的 Sobel 算子计算一阶、二阶、三阶或混合图像导数。
除了一个特殊情况外，在所有情况下，都会使用 ksize×ksize 可分离核来计算导数。当 ksize = 1 时，使用 3×1 或 1×3 核（即，不进行高斯平滑）。ksize = 1 仅可用于计算一阶或二阶 x- 或 y- 导数。
还有一个特殊的值 ksize = FILTER_SCHARR (-1)，对应于 3×3 Scharr 滤波器，它可能比 3×3 Sobel 滤波器提供更准确的结果。Scharr 孔径为

$$\left[\begin{array}{ccc}-3& 0& 3\\ -10& 0& 10\\ -3& 0& 3\end{array}\right]$$

用于 x 导数，或者转置后用于 y 导数。

该函数通过将图像与适当的核卷积来计算图像导数：

$$\text{dst}=\frac{{\partial }^{xorder+yorder}\text{src}}{\partial x^{xorder}\partial y^{yorder}}$$

Sobel 算子结合了高斯平滑和微分，因此结果对噪声具有某种程度的抵抗性。通常，该函数被调用为 ( xorder = 1, yorder = 0, ksize = 3) 或 ( xorder = 0, yorder = 1, ksize = 3)，以计算一阶 x 或 y 图像导数。第一种情况对应于以下核：

$${\text{Sobel}}_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$$

第二种情况对应于以下核：

$$\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$$

函数原型

GMat cv::gapi::Sobel
(const GMat &  	src,int  	ddepth,int  	dx,int  	dy,int  	ksize = 3,double  	scale = 1,double  	delta = 0,int  	borderType = BORDER_DEFAULT,const Scalar &  	borderValue = Scalar(0) 
) 		

注意：
如果硬件支持，则会进行向最近偶数的舍入；如果不支持，则舍入到最近。
函数文本ID是 “org.opencv.imgproc.filters.sobel”

参数

• 参数 src: 输入图像。
• 参数 ddepth: 输出图像深度，参见组合；对于8位输入图像，导数可能会被截断。
• 参数 dx: x方向导数的阶数。
• 参数 dy: y方向导数的阶数。
• 参数 ksize: 扩展 Sobel 核的大小；必须为奇数。
• 参数 scale: 计算导数值的可选比例因子；默认情况下，不应用缩放（详情参见 cv::getDerivKernels）。
• 参数 delta: 在存储到 dst 前添加到结果中的可选增量值。
• 参数borderType: 像素外推方法，参见 cv::BorderTypes。
• 参数 borderValue: 在常量边界类型的情况下的边界值。

代码示例

#include <opencv2/gapi/gkernel.hpp>
#include <opencv2/gapi/imgproc.hpp>
#include <opencv2/opencv.hpp>int main()
{// 读取输入图像cv::Mat src = cv::imread( "/media/dingxin/data/study/OpenCV/sources/images/Lenna.png", cv::IMREAD_GRAYSCALE );if ( src.empty() ){std::cerr << "无法读取图像" << std::endl;return -1;}// 定义G-API网络cv::GMat in;auto sobelx = cv::gapi::Sobel( in, CV_16S, 1, 0 );  // X方向上的Sobel滤波auto sobely = cv::gapi::Sobel( in, CV_16S, 0, 1 );  // Y方向上的Sobel滤波cv::GComputation comp( cv::GIn( in ), cv::GOut( sobelx, sobely ) );// 应用到源图像并获取结果cv::Mat sobelX, sobelY;comp.apply( cv::gin( src ), cv::gout( sobelX, sobelY ) );// 将结果转换为 CV_8U 并进行归一化以便显示cv::Mat sobelXAbs, sobelYAbs;cv::convertScaleAbs( sobelX, sobelXAbs );  // 转换为 CV_8U 并取绝对值cv::convertScaleAbs( sobelY, sobelYAbs );  // 转换为 CV_8U 并取绝对值// 可选：进一步归一化以增强对比度（如果需要）double sobelXMin, sobelXMax;double sobelYMin, sobelYMax;cv::minMaxLoc( sobelXAbs, &sobelXMin, &sobelXMax );cv::minMaxLoc( sobelYAbs, &sobelYMin, &sobelYMax );cv::Mat sobelXNorm, sobelYNorm;sobelXAbs.convertTo( sobelXNorm, CV_8U, 255.0 / ( sobelXMax - sobelXMin ), -sobelXMin * 255.0 / ( sobelXMax - sobelXMin ) );sobelYAbs.convertTo( sobelYNorm, CV_8U, 255.0 / ( sobelYMax - sobelYMin ), -sobelYMin * 255.0 / ( sobelYMax - sobelYMin ) );// 显示结果cv::imshow( "Original Image", src );cv::imshow( "Sobel X", sobelXNorm );cv::imshow( "Sobel Y", sobelYNorm );cv::waitKey( 0 );return 0;
}

运行结果