我的OpenCV学习笔记（18）：使用Sobel变化和拉普拉斯变换检测图像边沿

本文链接：https://blog.csdn.net/thefutureisour/article/details/7574900

本文介绍了OpenCV中Sobel变换和拉普拉斯变换用于检测图像边沿的方法。Sobel变换通过求导保留图像的高频分量，拉普拉斯变换则是对图像进行二阶偏导数计算。在OpenCV中，使用sobel函数和Laplacian函数可以简单实现边沿检测。示例代码展示了如何计算并显示边沿效果，特别是在小窗口中，拉普拉斯变换的过零点能准确指示图像边沿。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Sobel变换和拉普拉斯变换都是高通滤波器。什么是高通滤波器呢？就是保留图像的高频分量（变化剧烈的部分），抑制图像的低频分量（变化缓慢的部分）。而图像变化剧烈的部分，往往反应的就是图像的边沿信息了。

在OpenCV中，调用sobel函数很简单：

	Mat image = imread("D:/picture/images/boldt.jpg",0);
	if(!image.data)
		return -1;
	imshow("源图像",image);
	
	Mat sobelX;
	//参数为：源图像，结果图像，图像深度，x方向阶数，y方向阶数，核的大小，尺度因子，增加的值
	Sobel(image,sobelX,CV_8U,1,0,3,0.4,128);
	imshow("X方向Sobel结果",sobelX);

	Mat sobelY;
	Sobel(image,sobelY,CV_8U,0,1,3,0.4,128);
	imshow("Y方向Sobel结果",sobelY);

注意到，这里对sobel的结果进行了一些尺度变换来更好的显示。

有一点需要特别注意：

由于是对X方向求导，sobelX保留了很多垂直方向的信息，所以垂直的轮廓“看起来更加清楚”；y方向同理。

按照数学推倒，应该是把两个方向的值平方以后相加在开方（2范数），得到梯度。而实际上，为了简化运算，我们直接把他们的绝对值相加（1范数）得出梯度：

	//合并结果
	Mat sobel;
	Sobel(image,sobelX,CV_32F,1,0);
	Sobel(image,sobelY,CV_32F,0,1);
	//计算1范数
	sobel= abs(sobelX)+abs(sobelY);
	double sobmin,sobmax;
	minMaxLoc(sobel,&sobmin,&sobmax);
	//转换为8比特，进行尺度变换
	Mat sobelImage;
	sobel.convertTo(sobel