本小节代码在配套资料“iTOP-3568 开发板\03_【iTOP-RK3568 开发板】指南教程

\04_OpenCV 开发配套资料\32”目录下，如下图所示：

Sobel (索贝尔)算子是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。

索贝尔算子把图像中每个像素的上下左右四领域的灰度值加权差,在边缘处达到极值从而检测边缘。在技术上,它是一离散性差分算子,用来运算图像亮度函数的梯度之近似值。在图像

的任何一点使用此算子,将会产生对应的梯度矢量或是其法矢量。

索贝尔算子不但能产生较好的检测效果，而且对噪声有着平滑抑制作用，是最为常用的边缘检测算子，但是得到的边缘较粗,可能出现伪边缘。

cv2.Sobel 函数功能：

使用 Sobel 算子进行边缘检测。

函数原型：

dst = cv2.Sobel( src, ddepth, dx, dy[,ksize[, scale[, delta[, borderType]]]] )

参数定义：

dst 代表目标图像。

src 代表原始图像。

ddepth 代表输出图像的深度。

dx 代表 x 方向上的求导阶数。

dy 代表 y 方向上的求导阶数。

ksize 代表 Sobel 核的大小。该值为-1 时，则会使用 Scharr 算子进行运算。

scale 代表计算导数值时所采用的缩放因子，默认情况下该值是 1，是没有缩放的。

delta 代表加在目标图像 dst 上的值，该值是可选的，默认为 0。

borderType 代表边界样式。

而在实际操作中，计算梯度值可能会出现负数。通常处理的图像是 8 位图类型，如果结果也是该类型，那么所有负数会自动截断为 0，发生信息丢失。所以，为了避免信息丢失，在

计算时使用更高的数据类型 cv2.CV_64F，再通过取绝对值将其映射为 cv2.CV_8U（8 位图）类型。故此还需要调用 convertScaleAbs()函数计算绝对值，并将图像转换为 8 位图进行显示。其算法原型如下:

dst = convertScaleAbs(src[, dst[, alpha[, beta]]])

参数定义：

dst 代表处理结果。

src 代表原始图像。

alpha 代表调节系数，该值是可选值，默认为 1。

beta 代表调节亮度值，该值是默认值，默认为 0。

实验：

实验要求：

使用 cv2.Sobel 函数，分别对 x 轴和 y 轴进行边缘检测，随后使用 cv2.addWeighted 函数以0.5：0.5 的比例将两个图像进行融合，最后使用 cv2.imshow()函数对原图和边缘检测的三个图

像进行展示。

实验步骤：

首先进入到 ubuntu 的终端界面将“iTOP-3568 开发板\03_【iTOP-RK3568 开发板】指南教程\04_OpenCV 开发配套资料\32”路径下的 number.png 拷贝到 ubuntu 虚拟机上，拷贝完成如

下图所示：

然后来到 ubuntu 虚拟机的终端界面，输入以下命令来创建 demo32_Sobel.py 文件，如下图所示：

vim demo32_Sobel.py

然后向该文件中添加以下内容：

1 import cv2 #opencv 的缩写为 cv2，导入 opencv

2 img = cv2.imread('number.png',1) #flags 参数为 1，返回彩色图像

3 cv2.imshow('原图',img)#通过 cv2.imshow()函数展示原图

4 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)# 使用 Sobel 算子进行边缘检测，数据类型设置为 cv2.CV_64F,

5 只算 x 方向梯度,Sobel 核大小设置为 3

6 sobelx = cv2.convertScaleAbs(sobelx) # 计算绝对值

7 cv2.imshow('sobelx',sobelx)#通过 cv2.imshow()函数展示 x 方向梯度边缘检测计算之后的图像

8 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3) #使用 Sobel 算子进行边缘检测，数据类型设置为 cv2.CV_64F, 

9 只算 x 方向梯度,Sobel 核大小设置为 3

10 sobely = cv2.convertScaleAbs(sobely) #计算绝对值

11 cv2.imshow('sobely',sobely)#通过 cv2.imshow()函数展示 y 方向梯度边缘检测计算之后的图像

12 sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) # 图像融合的系数比为 0.5：0.5，0 表示偏置项

13 cv2.imshow('sobelxy',sobelxy)#通过 cv2.imshow()函数展示融合之后的图像

14 cv2.waitKey(0)#等待下一次按键按下

第 1 行导入了 opencv 库；

第 2 行使用了 imread()函数对 number.png 图片进行读取；

第 3 行使用了 imshow()函数对原图像进行展示；

第 4 行使用 Sobel 算子进行边缘检测计算，数据类型设置为 cv2.CV_64F,只算 x 方向梯

度,Sobel 核大小设置为 3；

第 8 行使用 Sobel 算子进行边缘检测计算，数据类型设置为 cv2.CV_64F,只算 y 方向梯度,Sobel 核大小设置为 3；

第 6 行和第 10 行使用了 convertScaleAbs()函数获取绝对值，并将图像转换为 8 位；

第 7 行和第 11 行使用了 imshow()函数对两个方向梯度进行边缘检测计算之后的图像进行展示；

第 12 行使用了 addWeighted()函数进行图像融合，两个图像的融合系数比为 0.5：0.5；

第 13 行使用了 imshow()函数对融合之后的图像进行展示；

第 14 行使用了 waitKey()函数，持续显示展示照片直到按键的按下。

保存退出之后，在终端界面中输入以下命令进行 python 代码的运行，运行结果如下图所示：

python demo32_Sobel.py

第 1 张图为原图，一个数独图像被显示了出来，第 2 张图像为 x 轴方向梯度经过边缘检测计算的图像，可以看到纵向的线条被很好的区分了出来，第 3 张图像为 y 轴方向梯度经过边缘

检测计算的图像，可以看到横向的线条被很好的区分了出来，第 4 张图像为两张边缘计算图像的融合，可以看到图像的边缘特点被很好的展现了出来，至此 Sobel 算子边缘计算相关的实验

就结束了。