Python OpenCV Sobel算子

传统计算机视觉利用算子(Operator)，以及算子集对进行图像处理，从而获得特征图像。Sobel算子(Sobel operator)是Irwin Sobel设计的，广泛用于边缘提取的算子。 Sobel算子(Sobel operator)

Sobel算子的Python范例程序

import cv2 
import matplotlib.pyplot as plt

img = cv2.imread('lena.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img_sobel_x = cv2.Sobel(img, -1, 1, 0, ksize=3)
img_sobel_y = cv2.Sobel(img, -1, 0, 1, ksize=3)
img_sobel_xy = cv2.Sobel(img, -1, 1, 1, ksize=3)

titles = ['Original', 'Sobel X','Sobel Y', 'Sobel XY']
images = [img, img_sobel_x, img_sobel_y, img_sobel_xy]

for i in range(4):
    plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

运行结果

算子与CNN中的卷积核：
CNN中的卷积核即是与之相对应的概念。不同是，前者需要算法开发者手动设计(例如：Sobel算子由Irwin Sobel设计)，而后者通过在大数据中训练自动选取，而且通常情况下CNN网络中的卷积核数量远超过手动设计的卷积核，又称滤波器核。

CNN中的卷积计算，可以理解为：算子（卷积核、滤波器核）在图像上沿指定维度滑动，同时将矢量点积值作为对应输出矩阵元素的值。

由上可见：传统视觉中的算子、滤波器、滤波器核与深度学习卷积神经网络中的卷积、卷积核就对应同一起来了。