如何改进我的sobel算子边缘检测？

Question

我正在尝试进入计算机视觉领域，首先我在MATLAB中实现了一个Sobel滤波器，我在这里读到了它：http://en.wikipedia.org/wiki/Sobel_operator

代码如下：

image = double(image);
kernelx = [ -1, 0, 1;
           -2, 0, 2;
          -1, 0, 1];

kernely = [  1, 2, 1;
             0, 0, 0;
            -1, 0, 1];

height = size(image,1);
width = size(image,2);
channel = size(image,3);

for i = 2:height - 1
    for j = 2:width - 1
        for k = 1:channel
            magx = 0;
            magy = 0;
            for a = 1:3
                for b = 1:3
                    magx = magx + (kernelx(a, b) * image(i + a - 2, j + b - 2, k));
                    magy = magy + (kernely(a, b) * image(i + a - 2, j + b - 2, k));
                end;
            end;     
            edges(i,j,k) = sqrt(magx^2 + magy^2); 
        end;
    end;
end; 

这是我测试过的一张图片：

​

​

这就是结果：

​

​

我不知道从哪里开始，我已经尝试过线条细化或阈值处理，我应该采取哪些步骤来使其运行得更好？

Answer 1

您在y方向的内核似乎是不正确的，应该是

1，2，1；0，0，0；-1，-2，-1；

此外，如果你想改进边缘检测，你可以查看滞后，这是一种简单的方法来完成图像中可能遗漏的一些明显的轮廓。

http://en.wikipedia.org/wiki/Canny_edge_detector#Tracing_edges_through_the_image_and_hysteresis_thresholding

Answer 2

结果优先

​

​

内核中的1个Typo

正如Bharat Singh所指出的，你的y核看起来是错误的。(后来的分析表明，它改变了结果，但这不是主要问题。)如果你愿意，你可以在下面的代码中使用你的原始内核，看看结果是什么。(对于后代：kernely(3,:) = [-1, 0, 1];)基本上，它看起来像输入图像。

2使用卷积使调试速度更快

在执行其他操作之前，只需使用Matlab提供的卷积函数即可。此外，为了加快速度，可以使用conv2。在进行实验时，您可能希望使用parfor而不是外部的for-loop。卷积在我的机器上是瞬间的，而parfor版本只需要几分钟。

3 imshow导致了问题

还有一个名为imagesc的替代方案，它可以自动缩放图像。或者你可以给imshow(image, [])打电话。但这种情况下的问题是，每个通道看起来都是正确的，但Matlab对通道的自动混合不起作用。(请记住，它们不再是RGB，而更像是R通道导数|dR|等的大小)

通过单独查看每个结果通道(imshow(E(:,:,1), []))或作为欧几里得平均值(请参阅我的代码)来检查这一点。如果你运行imshow(E, [])，你会得到放大的高亮效果。如果您首先通过rgb2gray传递它，也会发生同样的情况。

代码

image = imread('cat.jpg');

image = double(image);
kernelx = [ -1, 0, 1;
           -2, 0, 2;
          -1, 0, 1];

kernely = [  1, 2, 1;
             0, 0, 0;
            -1, -2, -1];

height = size(image,1);
width = size(image,2);
channel = size(image,3);

edges = zeros(height, width, channel);

if exist('chooseSlow', 'var')
    parfor i = 2:height - 1
        for j = 2:width - 1
            for k = 1:channel
                magx = 0;
                magy = 0;
                for a = 1:3
                    for b = 1:3
                        magx = magx + (kernelx(a, b) * image(i + a - 2, j + b - 2, k));
                        magy = magy + (kernely(a, b) * image(i + a - 2, j + b - 2, k));
                    end;
                end;
                edges(i,j,k) = sqrt(magx^2 + magy^2);
            end;
        end;
    end;
end

%% Convolution approach
E = zeros(height, width, channel);
for k=1:channel
    Magx = conv2(image(:,:,k), kernelx, 'same');
    Magy = conv2(image(:,:,k), kernely, 'same');
    E(:,:,k) = sqrt(Magx .^2 + Magy .^2);
end

imshow(sqrt(E(:,:,1).^2 + E(:,:,2).^2 + E(:, :, 3) .^2 ), []);
print('result.png', '-dpng');