基于Sobel算子的图像边缘检测

关注

原创最新推荐文章于 2026-05-12 23:03:50 发布 1.6k 阅读 AI 写同款· GEO 优化 ›

图像处理边缘检测算法————sobel算法图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。常用的边缘检测模板有Laplacian算子、Roberts算子、Sobel算子、log（Laplacian-Gauss）算子、Kirsch算子和Prewitt算子等。Sobel算子是常用的边缘检测模板，算法比较简单，实际应用中效率比 canny 边缘检测效率要高，但是边缘不如 Canny 检测的准确.计算 Gx 为水平横向梯度幅值（左右两列求和），Gy为垂直方向梯度幅值（上下两行求和）的绝对值，原图像A 进行卷积。阅读详情

一、Sobel算子

Sobel边缘检测算法比较简单，实际应用中效率比canny边缘检测效率要高，但是边缘不如Canny检测的准确，然而在很多实际应用的场合，sobel边缘却是首选，Sobel算子是高斯平滑与微分操作的结合体，所以其抗噪声能力很强，用途较多。尤其是在对效率要求较高，而对细纹理不太关系的时候。
使用Sobel算子提取图像边缘分3个步骤：

提取X方向的边缘，X方向一阶Sobel边缘检测算法为：
$\begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1\end{bmatrix} \quad$
提取Y方向的边缘，Y方向一阶Sobel边缘检测算法为：
$\begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ 1 & 2 & 1\end{bmatrix} \quad$
综合两个方向的边缘信息得到整幅图像的边缘。

二、Python代码实现

import cv2
import os
def SobelSeg(image):
    img = cv2.Sobel(image, cv2.CV_32F, 0, 1, ksize=3)
    cv2.namedWindow('W3',cv2.WINDOW_NORMAL)
    cv2.imshow("W3", img)
    cv2.waitKey(delay=0)
    return img

def convert(input_dir, output_dir):
    for image_name in os.listdir(input_dir):
        path = input_dir + "/" + image_name
        image = cv2.imread(path)
        image_1 = SobelSeg(image)
        cv2.imwrite(output_dir + "/" + "0" + image_name , image_1)

if __name__ == '__main__':
    input_dir = r"C:\Users\22476\Desktop\Graduation Project\Edge_test_image\original"
    output_dir = r"C:\Users\22476\Desktop\Graduation Project\Edge_test_image\result_32F"
    convert(input_dir, output_dir)