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; 

这是我测试过的图片：

这是结果：

我不知道从哪里开始，我已经尝试过细化线或阈值，我应该采取哪些步骤来使这个运行更好？

Answer 1

你的内核y方向好像不对，应该是

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

此外，如果你想改进边缘检测，你可以研究 Hysteresis，它是一种简单的方法来完成图像中一些可能被遗漏的明显轮廓

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

Answer 2

结果优先

内核中有1个错字

正如Bharat Singh 指出的那样，您的 y 内核看起来不对。 （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，你可以在我下面的代码中使用你原来的内核来看看结果是什么。 （后人：kernely(3,:) = [-1, 0, 1];）基本上，它看起来像输入图像。

2 使用卷积快速调试

在你做任何其他事情之前，只需使用 Matlab 提供的卷积函数。 此外，为了加快速度，请使用conv2。在进行试验时，您可能希望使用parfor 而不是外部for-loop。卷积在我的机器上是瞬时的，parfor 版本需要几分钟。

3 imshow 导致问题

还有一个名为imagesc 的替代方法，可以自动缩放图像。或者您可以拨打imshow(image, [])。但在这种情况下，问题是每个通道看起来都正确，但 Matlab 自动混合通道不起作用。 （请记住，它们不再是 RGB，而是更像 R 通道导数 |dR| 等的幅度。）

通过单独查看每个生成的通道 (imshow(E(:,:,1), [])) 或作为欧几里得平均值来检查这一点（请参阅我的代码）。如果你运行imshow(E, [])，你会得到突出的亮点。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');