### 3.1 Sobel 算子边缘检测原理与实现 Sobel 算子是一种常用的梯度算子，用于检测图像中的边缘。其核心思想是通过计算图像中每个像素点在水平和垂直方向上的梯度值，从而识别出图像中灰度变化剧烈的区域，这些区域通常对应图像的边缘。 Sobel 算子在 3×3 邻域内计算梯度值，相比 Roberts 算子，它避免了在像素间内插点上计算梯度的问题。Sobel 算子对像素位置的影响进行了加权处理，可以降低边缘模糊程度，因此检测效果更好。 Sobel 算子的卷积核如下： - 水平方向梯度检测卷积核： $$ K_x = \begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{bmatrix} $$ - 垂直方向梯度检测卷积核： $$ K_y = \begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \end{bmatrix} $$ 以下是一个基于 OpenCV 的 Sobel 算子实现代码示例： ```python import cv2 as cv import numpy as np import matplotlib.pyplot as plt # 读取图像 img = cv.imread('image.jpg', 0) # 定义 Sobel 算子卷积核 kx = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]], dtype=np.float64) ky = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]], dtype=np.float64) # 应用卷积操作 img_x = cv.filter2D(img, cv.CV_64F, kx) img_y = cv.filter2D(img, cv.CV_64F, ky) # 计算梯度幅值 img_xy1 = np.abs(img_x) + np.abs(img_y) img_xy2 = np.sqrt(img_x**2 + img_y**2) # 显示结果 plt.figure(figsize=(12, 6)) plt.subplot(1, 2, 1) plt.title("Sobel Edge Detection (L1 Norm)") plt.imshow(img_xy1, cmap='gray') plt.subplot(1, 2, 2) plt.title("Sobel Edge Detection (L2 Norm)") plt.imshow(img_xy2, cmap='gray') plt.show() ``` 该实现中使用了两种方式计算梯度幅值：一种是 L1 范数（绝对值之和），另一种是 L2 范数（欧几里得距离）。这两种方式分别对应不同的边缘检测效果。 ### 3.2 Scharr 算子边缘检测原理与实现 Scharr 算子是 Sobel 算子的改进版本，旨在提高边缘检测的精度。Scharr 算子的卷积核系数与 Sobel 算子不同，其在 3×3 模板中使用了更精确的权重系数，能够更准确地计算图像的梯度。 Scharr 算子的卷积核如下： - 水平方向梯度检测卷积核： $$ K_x = \begin{bmatrix} -3 & 0 & 3 \\ -10 & 0 & 10 \\ -3 & 0 & 3 \end{bmatrix} $$ - 垂直方向梯度检测卷积核： $$ K_y = \begin{bmatrix} -3 & -10 & -3 \\ 0 & 0 & 0 \\ 3 & 10 & 3 \end{bmatrix} $$ 以下是基于 OpenCV 的 Scharr 算子实现代码示例： ```python # 应用 Scharr 算子 img_scharr_x = cv.Scharr(img, cv.CV_64F, 1, 0) img_scharr_y = cv.Scharr(img, cv.CV_64F, 0, 1) # 计算梯度幅值 img_scharr_xy = cv.magnitude(img_scharr_x, img_scharr_y) # 显示结果 plt.figure(figsize=(8, 4)) plt.subplot(1, 2, 1) plt.title("Original Image") plt.imshow(img, cmap='gray') plt.subplot(1, 2, 2) plt.title("Scharr Edge Detection") plt.imshow(img_scharr_xy, cmap='gray') plt.show() ``` ### 3.3 Prewitt 算子边缘检测原理与实现 Prewitt 算子是一种经典的梯度边缘检测算子，它与 Sobel 算子形式上相似，但 Prewitt 算子没有对靠近模板中心的像素进行加权处理。Prewitt 算子适用于噪声较多、灰度渐变的图像。 Prewitt 算子的卷积核如下： - 水平方向梯度检测卷积核： $$ K_x = \begin{bmatrix} -1 & 0 & 1 \\ -1 & 0 & 1 \\ -1 & 0 & 1 \end{bmatrix} $$ - 垂直方向梯度检测卷积核： $$ K_y = \begin{bmatrix} -1 & -1 & -1 \\ 0 & 0 & 0 \\ 1 & 1 & 1 \end{bmatrix} $$ 以下是基于 OpenCV 的 Prewitt 算子实现代码示例： ```python # 定义 Prewitt 算子卷积核 prewitt_x = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]], dtype=np.float64) prewitt_y = np.array([[-1, -1, -1], [0, 0, 0], [1, 1, 1]], dtype=np.float64) # 应用卷积操作 img_prewitt_x = cv.filter2D(img, cv.CV_64F, prewitt_x) img_prewitt_y = cv.filter2D(img, cv.CV_64F, prewitt_y) # 计算梯度幅值 img_prewitt_xy = np.sqrt(img_prewitt_x**2 + img_prewitt_y**2) # 显示结果 plt.figure(figsize=(8, 4)) plt.subplot(1, 2, 1) plt.title("Original Image") plt.imshow(img, cmap='gray') plt.subplot(1, 2, 2) plt.title("Prewitt Edge Detection") plt.imshow(img_prewitt_xy, cmap='gray') plt.show() ``` ###