sobel，帮我解释个C程序Sobel算子

本文目录一览

1，帮我解释个C程序Sobel算子
2，Sobel算子的算子描述
3，sobel中的临界值是什么意思
4，sobel算子梯度方向有什么用
5，Sobel算子是什么

1，帮我解释个C程序Sobel算子

RSA算法非常简单，概述如下：找两素数p和q取n=p*q取t=(p-1)*(q-1)取任何一个数e,要求满足e<t并且e与t互素（就是最大公因数为1）取d*e%t==1

你留个网号吧,我教你.再看看别人怎么说的。

帮我解释个C程序Sobel算子

2，Sobel算子的算子描述

在边缘检测中，常用的一种模板是Sobel 算子。Sobel 算子有两个，一个是检测水平边缘的；另一个是检测垂直边缘的。与Prewitt算子相比，Sobel算子对于象素的位置的影响做了加权，可以降低边缘模糊程度，因此效果更好。Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一个是检测水平边缘的，另一个是检测垂直边缘的。各向同性Sobel算子和普通Sobel算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。将Sobel算子矩阵中的所有2改为根号2，就能得到各向同性Sobel的矩阵。由于Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数，简单有效，因此应用广泛。美中不足的是，Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。在观测一幅图像的时候，我们往往首先注意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们给出了下面阈值化轮廓提取算法，该算法已在数学上证明当像素点满足正态分布时所求解是最优的。

Sobel算子的算子描述

3，sobel中的临界值是什么意思

Sobel test是边缘检验。Sobel test是一阶方向导数极值法——一种检测边缘的新方法。一阶方向导数极值法不用选取门限值Th.该方法首先沿边缘的垂直方向求一阶导数，然后再检测此一阶导数的极值点（极大点或极小点），并把此极值点作为边缘点而检出.实验证明该方法检测的边缘是很好的，即在不漏检真实边缘、不多检假边缘和边缘定位精确这3个方面精度高。一阶微分算法是一类经典的人们常用的边缘检测算法，它的代表有Kirsch，Prewit，Sobel，Robert，Robinson，Frei和Chen算法.这些算法都是先用近似方法求梯度，然后再取一门限值Th，把梯度模值大于这个门限值Th的点作为阶跃状边缘点检出.虽然这类微分算法使用较普遍，但检测边缘的精度是比较低的.其中一个原因是选取合适的门限值Th是件很困难的事.这是因为有些边缘处灰度变化很快，此时，梯度模值很大；而另外一些边缘处灰度变化很缓慢，则该点的梯度模值很小；而在一些非边缘点处，灰度的变化速率介于上述两者之间，这时，该点的梯度模值也介于上述两个梯度值之间.在这种情况下，很难选取一个恰当的门限值Th把两个边缘同时检出，而又不检出非边缘点.如果把门限值Th选高一些，以便不检出非边缘点，则会漏检掉较低梯度值的边缘点；如果门限值Th选低一些，以便能检出较低梯度值的边缘点，则又会使具有较高梯度模值的非边缘点被当作边缘点而检出.总之，对于上述这种情况，无论怎样选取门限值Th都不会取得好的检测结果.

不明白啊 = =！

sobel中的临界值是什么意思

4，sobel算子梯度方向有什么用

计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子，将会产生该点对应的梯度矢量或是其法矢量。

给你一段代码void gradient(mat& inputarray, mat& outputarray)//转换为灰度图像mat inputarray_gray(height, width, cv_32f);cvtcolor(inputarray, inputarray_gray, cv_rgb2gray);// 创建x、y方向梯度图像变量 mat grad_x, grad_y; mat abs_grad_x, abs_grad_y;// 梯度绝对值// x方向梯度并取绝对值 sobel( inputarray_gray, grad_x, inputarray_gray.depth(), 1, 0); convertscaleabs( grad_x, abs_grad_x );// y方向梯度并取绝对值 sobel( inputarray_gray, grad_y, inputarray_gray.depth(), 0, 1); convertscaleabs( grad_y, abs_grad_y );//计算梯度值的平方pow(abs_grad_x, 2.0f, abs_grad_x);pow(abs_grad_y, 2.0f, abs_grad_y); //outputarray = abs_grad_x + abs_grad_y;add(abs_grad_x, abs_grad_y, outputarray, noarray(), cv_32f);//显示梯度平方//imshow("gradient", outputarray);//waitkey(0);}

5，Sobel算子是什么

C＋＋Builder下的sobel算子的程序如下:/// <summary> /// 按 Sobel 算子进行边缘检测 /// </summary> /// <param name= "b "> 位图流 </param> /// <returns> </returns> public Bitmap Sobel(Bitmap b) Matrix3x3 m = new Matrix3x3(); // -1 -2 -1 // 0 0 0 // 1 2 1 m.Init(0); m.TopLeft = m.TopRight = -1; m.BottomLeft = m.BottomRight = 1; m.TopMid = -2; m.BottomMid = 2; Bitmap b1 = m.Convolute((Bitmap)b.Clone()); // -1 0 1 // -2 0 2 // -1 0 1 m.Init(0); m.TopLeft = m.BottomLeft = -1; m.TopRight = m.BottomRight = 1; m.MidLeft = -2; m.MidRight = 2; Bitmap b2 = m.Convolute((Bitmap)b.Clone()); // 0 1 2 // -1 0 1 // -2 -1 0 m.Init(0); m.TopMid = m.MidRight = 1; m.MidLeft = m.BottomMid = -1; m.TopRight = 2; m.BottomLeft = -2; Bitmap b3 = m.Convolute((Bitmap)b.Clone()); // -2 -1 0 // -1 0 1 // 0 1 2 m.Init(0); m.TopMid = m.MidLeft = -1; m.MidRight = m.BottomMid = 1; m.TopLeft = -2; m.BottomRight = 2; Bitmap b4 = m.Convolute((Bitmap)b.Clone()); // 梯度运算 b = Gradient(Gradient(b1, b2), Gradient(b3, b4)); b1.Dispose(); b2.Dispose(); b3.Dispose(); b4.Dispose(); return b; } // end of Sobel

在边沿检测中，常用的一种模板是Sobel 算子。Sobel 算子有两个，一个是检测水平边沿的；另一个是检测垂直平边沿的。与和相比，Sobel算子对于象素的位置的影响做了加权，因此效果更好。Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一个是检测水平边沿的，另一个是检测垂直平边沿的。各向同性Sobel算子和普通Sobel算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。由于建筑物图像的特殊性，我们可以发现，处理该类型图像轮廓时，并不需要对梯度方向进行运算，所以程序并没有给出各向同性Sobel算子的处理方法。由于Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数，简单有效，因此应用广泛。美中不足的是，Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。在观测一幅图像的时候，我们往往首先注意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们给出了下面阈值化轮廓提取算法，该算法已在数学上证明当像素点满足正态分布时所求解是最优的。.NET代码如下for(Times=0;Times<128&&iThreshold!=iNewThreshold;Times++) iThreshold=iNewThreshold; lP1=0; lP2=0; lS1=0; lS2=0; for(i=iMinGray;i<iThreshold;i++) lP1+=Histogram*i; lS1+=Histogram; } iMean1Gray=lP1/lS1; for(i=iThreshold;i<iMaxGray;i++) lP2+=Histogram*i; lS2+=Histogram; } iMean2Gray=lP2/lS2; iNewThreshold=(iMean1Gray+iMean2Gray)/2; }补充Sobel算子的矩阵表达式：Sobel1=[-1 -2 -1; %检测水平边沿的Sobel算子 0 0 0; 1 2 1];Sobel2=[-1 0 1; %检测垂直平边沿的Sobel算子 -2 0 2; -1 0 1];

c＋＋builder下的sobel算子的程序如下: /// /// 按 sobel 算子进行边缘检测 /// /// 位图流 /// public bitmap sobel(bitmap b) { matrix3x3 m = new matrix3x3(); // -1 -2 -1 // 0 0 0 // 1 2 1 m.init(0); m.topleft = m.topright = -1; m.bottomleft = m.bottomright = 1; m.topmid = -2; m.bottommid = 2; bitmap b1 = m.convolute((bitmap)b.clone()); // -1 0 1 // -2 0 2 // -1 0 1 m.init(0); m.topleft = m.bottomleft = -1; m.topright = m.bottomright = 1; m.midleft = -2; m.midright = 2; bitmap b2 = m.convolute((bitmap)b.clone()); // 0 1 2 // -1 0 1 // -2 -1 0 m.init(0); m.topmid = m.midright = 1; m.midleft = m.bottommid = -1; m.topright = 2; m.bottomleft = -2; bitmap b3 = m.convolute((bitmap)b.clone()); // -2 -1 0 // -1 0 1 // 0 1 2 m.init(0); m.topmid = m.midleft = -1; m.midright = m.bottommid = 1; m.topleft = -2; m.bottomright = 2; bitmap b4 = m.convolute((bitmap)b.clone()); // 梯度运算 b = gradient(gradient(b1, b2), gradient(b3, b4)); b1.dispose(); b2.dispose(); b3.dispose(); b4.dispose(); return b; } // end of sobel