计算机视觉 / 系统课时
使用 Sobel 算子
使用 Sobel 算子
Sobel 算子用带平滑作用的离散卷积核估计图像一阶导数。分别计算 和 后,可以得到竖直边缘、水平边缘以及综合边缘强度,并保留由暗到亮或由亮到暗的方向信息。
学习目标
- 能正确使用
cv2.Sobel计算 与 - 能把两个方向的梯度组合成边缘强度
- 能避免
CV_8U导致负梯度丢失的问题
Sobel 的两个方向
dx=1, dy=0 计算沿 方向的一阶导数,因此对竖直边缘响应强;dx=0, dy=1 计算沿 方向的一阶导数,因此对水平边缘响应强。最常用的核尺寸是 ksize=3。
3×3 Sobel 的典型核为:
| 方向 | 卷积核 |
|---|---|
[-1,0,1] / [-2,0,2] / [-1,0,1] |
|
[-1,-2,-1] / [0,0,0] / [1,2,1] |

计算并验证 Sobel 梯度
下面构造一个 7×7 灰度图:左侧为 0,右侧为 255,中间形成一条清晰竖直边缘。使用 CV_64F 保存结果,可完整保留正负梯度。
python
import cv2
import numpy as np
img = np.zeros((7, 7), dtype=np.uint8)
img[:, 3:] = 255
gx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
gy = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
magnitude = cv2.magnitude(gx, gy)
print(gx[3].astype(int).tolist())
print(int(np.max(np.abs(gy))))
print(np.where(magnitude[3] > 0)[0].tolist())预期输出
text
[0, 0, 1020, 1020, 0, 0, 0]
0
[2, 3]边缘跨在第 2、3 列之间时,3×3 Sobel 会在相邻两列产生响应;因为图像上下没有亮度变化,Gy 最大绝对值为 0。
把梯度变成可显示的边缘图
gx、gy 和 magnitude 是浮点数据,不能直接当普通 8 位灰度图理解。用于显示时,可以先取绝对值并缩放到 0~255;用于后续算法时,则应继续保留浮点梯度。
python
edge_x = cv2.convertScaleAbs(gx)
edge_y = cv2.convertScaleAbs(gy)
edge_mag = cv2.convertScaleAbs(magnitude)
cv2.imwrite("sobel-x.png", edge_x)
cv2.imwrite("sobel-y.png", edge_y)
cv2.imwrite("sobel-mag.png", edge_mag)预期结果:sobel-x.png 中竖直边缘最明显,sobel-y.png 基本为黑色,sobel-mag.png 与竖直边缘位置一致。若换成同时含水平和竖直边缘的图像,综合强度图会保留两个方向的响应。
参数选择与常见错误
推荐先用 ksize=3 作为基线;更大的 5 或 7 会扩大邻域并增强平滑,但也会让边缘变宽。scale 默认是 1,delta 默认是 0,没有明确标定需求时不要随意修改。
如果边缘图噪点很多,可先用 GaussianBlur 做轻度平滑,例如 ksize=(3,3);如果边缘太粗,优先回到 ksize=3 并检查原图分辨率,而不是继续增大 Sobel 核。验收时应同时看原图、Gx、Gy 和综合强度,确认边缘方向与场景几何关系一致。
按自己的节奏,确认真正理解。