5.2 基本邊緣檢測算子—Sobel

Sobel算子是應用廣泛的離散微分算子之一，用於圖像處理中的邊緣檢測，計算圖像灰度的近似梯度。

基於圖像卷積來實現在水平方向和垂直方向檢測對應方向上的邊緣。

對於源圖像與奇數Sobel水平核Gx、垂直核Gy進行卷積可計算水平與垂直變換。

Sobel算子在進行邊緣檢測時候效率較高，對精度要求不是很高時候，是一種較為常用的邊緣檢測方法。

Sobel算子對沿着x軸和y軸的排列表示得很好，但是對於其他角度的表示卻不夠精確，這時候我們可以使用Scharr濾波器。

5.2.1 非極大值一直Sobel檢測

步驟1/2/3/4

https://blog.csdn.net/gone_huilin/article/details/53223622

https://bbs.csdn.net/topics/370004267

5.2.2 圖像直接卷積實現Sobel

5.2.3 圖像卷積下非極大值抑制Sobel

非極大值抑制雖然能夠較好剔除虛假邊緣點，但對於某些特定場景下的邊緣檢測並不適用，例如污損文本字符識別。

5.2.4 Sobel庫函數實現

/////////////////////////////////5.2.4 Sobel庫函數實現//////////////////////////////
////////https://blog.csdn.net/gone_huilin/article/details/53223636
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
using namespace cv;
int main()
{
    cv::Mat srcImage = imread("D:\\樓房.jpg");
    if (!srcImage.data)
        return -1;
    cv::Mat srcGray;
    cvtColor(srcImage, srcGray, CV_RGB2GRAY);
    imshow("srcGray", srcGray);
    // 定義邊緣圖，水平及垂直
    cv::Mat edgeMat, edgeXMat, edgeYMat;
    // 求x方向Sobel邊緣
    Sobel(srcGray, edgeXMat, CV_16S, 1, 0, 3, 1,
        0, BORDER_DEFAULT);
    // 求y方向Sobel邊緣
    Sobel(srcGray, edgeYMat, CV_16S, 0, 1, 3, 1,
        0, BORDER_DEFAULT);
    // 線性變換轉換輸入數組元素成8位無符號整型
    convertScaleAbs(edgeXMat, edgeXMat);
    convertScaleAbs(edgeYMat, edgeYMat);
    // x與y方向邊緣疊加
    addWeighted(edgeXMat, 0.5, edgeYMat, 0.5, 0, edgeMat);
    cv::imshow("edgeYMat", edgeYMat);
    imshow("edgeMat", edgeMat);
    // 定義Scharr邊緣圖像
    cv::Mat edgeMatS, edgeXMatS, edgeYMatS;
    // 計算x方向Scharr邊緣
    Scharr(srcGray, edgeXMatS, CV_16S, 1, 0, 1,
        0, BORDER_DEFAULT);
    convertScaleAbs(edgeXMatS, edgeXMatS);
    // 計算y方向Scharr邊緣
    Scharr(srcGray, edgeYMatS, CV_16S, 0, 1, 1,
        0, BORDER_DEFAULT);
    // 線性變換轉換輸入數組元素成8位無符號整型
    convertScaleAbs(edgeYMatS, edgeYMatS);
    // x與y方向邊緣疊加
    addWeighted(edgeXMatS, 0.5, edgeYMatS, 0.5, 0, edgeMatS);
    cv::imshow("edgeMatS", edgeMatS);
    cv::waitKey(0);
    return 0;
}

5.3 基本邊緣檢測算子--Laplace

拉普拉斯算子是最簡單的各向同性二階微分算子，具有旋轉不變形。

根據微分特性點，該像素點的二階微分為零的點為邊緣點。

圖像中奇異點如亮點變得更亮，對於圖像中灰度變化劇烈的區域，拉普拉斯算子能實現其邊緣檢測。其利用二次微分特性與峰值間過零點來確定邊緣位置，對奇異點或邊界點更加敏感，常應用於圖像銳化（突出圖像的細節或增強被模糊的圖像細節，實現灰度反差增強，使圖像變得清晰。積分運算或加權平均讓圖像變得模糊）工作。

///////////////////////////////////5.2.5 基本邊緣檢測算子--Laplace//////////////////////////////
//////https://blog.csdn.net/Chenyukuai6625/article/details/74784626
#include <opencv2/opencv.hpp>  
#include<opencv2/highgui/highgui.hpp>  
#include<opencv2/imgproc/imgproc.hpp>  

using namespace cv;

int main()
{
    //【0】變量的定義  
    Mat src, src_gray, dst, abs_dst;

    //【1】載入原始圖    
    src = imread("D:\\日光.jpg");

    //【2】顯示原始圖   
    imshow("【原始圖】圖像Laplace變換", src);

    //【3】使用高斯濾波消除噪聲  
    GaussianBlur(src, src, Size(3, 3), 0, 0, BORDER_DEFAULT);

    //【4】轉換為灰度圖  
    cvtColor(src, src_gray, CV_RGB2GRAY);

    //【5】使用Laplace函數  
    Laplacian(src_gray, dst, CV_16S, 3, 1, 0, BORDER_DEFAULT);

    //【6】計算絕對值，並將結果轉換成8位  
    convertScaleAbs(dst, abs_dst);

    //【7】顯示效果圖  
    imshow("【效果圖】圖像Laplace變換", abs_dst);

    waitKey(0);

    return 0;
}

5.4 基本邊緣檢測算子——Roberts

Roberts算子是利用局部差分尋找邊緣的一種算子，是最簡單的邊緣檢測算子。Roberts算子利用對角線方向相鄰兩像素之差近似梯度賦值來檢測邊緣，檢測垂直邊緣的效果要優於其他方向邊緣，定位精度高，但對噪聲抑制能力較弱。

https://blog.csdn.net/qq_20823641/article/details/52079628