问题标签 [sobel]

我正在尝试以非常简化和简单的方式Canny Edge Detection使用OpenCL 内核来实现。

我正在使用原始SobelFilter内核来执行非最大抑制和阈值处理等步骤。

但是我对达到像素并对其进行数学计算感到迷茫：

你能给我一些想法或展示简单的例子来实现这一点吗？将不胜感激。问候。

我正在尝试在 C 中实现 Sobel 滤波器的并行化 + 矢量化版本，其中 OpenMP 编译指示用于并行化，#pragma simd 用于矢量化。我的输入是 1024 x 1024 的 .pgm 图像。我使用英特尔编译器在 Xeon Knights Landing 处理器上使用以下命令进行编译：

所以我在一般代码中面临的问题是：

a) 我什么时候并行化，什么时候向量化。我有一个由四个 for 循环组成的嵌套 for 循环 - > 我应该并行化还是矢量化这段代码

b) 我的 'min' 和 'max' 值是错误的。它们都是共享变量，因此容易出现竞争条件，所以我在它们周围添加了一个#pragma omp critical。但是，为这两个变量打印的值仍然是错误的，我不知道为什么。我什至在 print 语句之前添加了一个屏障，以确保所有线程在打印出最小值和最大值之前都通过该关键部分

c) #pragma omp critical 使我的程序非常非常慢。事实上，执行时间甚至比顺序运行时间还要长。有什么办法可以避免吗？

我的pgm.h

至强.c

谢谢

我正在使用 skimage 创建与此类似的 sobel 过滤器图像...

我想知道有没有办法锐化这个索贝尔滤镜图像？就是说，去掉那些比较微弱的白线，比如气球后面的微弱线条？

我使用 Skimage 来做到这一点，但我可以访问其他东西，比如 OpenCV。

我的代码具体是...

鉴于我访问图片像素的方法，我正在尝试将 sobel 过滤算法应用于给定图片（在这种情况下为灰度）。由于我以不使用库的方式访问它们，因此在给定这种方法的情况下，我无法弄清楚如何应用算法。代码的第一部分只是访问像素数据：

第1部分：

第二部分（sobel滤波器算法的实际应用）：

非常感谢任何和所有帮助。

我读了https://en.wikipedia.org/wiki/Sobel_operator
说，我们想检测灰度图像中的水平边缘。
请注意 - 我已将矩阵写为行序列。

问题 1 ) 那么我应该采取 [1,0,-1; 2,0,-2 ; 1,0,-1]（来自 G _x = matrix * A of wiki link above）并将其与给定图像卷积。所以我会叠加 [-1,0,1 ; -2,0,2 ; -1,0,1]（从矩阵的 180 度旋转获得）在每个像素上。
那正确吗 ？

问题 2）假设图像是 [a,b,c;d,X,f;g,h,i] 那么我将用 -a+c-2d+2f-g+i=Y 替换像素 X 。如果 Y 结果为负数怎么办？（像素值不能为负）。

问题 3）我可以通过仅查看应用 sobel 算子后获得的矩阵（不将该输出矩阵呈现为图像）来对图像的特定像素做出任何结论吗？

问题 4) 是否会根据使用的矩阵在输出图像中强调水平或垂直边缘，但不会同时强调两者？

谢谢。

我正在尝试手动实现 sobel 运算符。这是我在 python 2.7 中的代码：

这是输出：

由于某种原因，算子的水平和垂直分量似乎有很好的效果，但组合图像有很多噪声。

我注意到当我执行 (imgv**2)**0.5 之类的操作时，也会引入大量噪音，即使理想情况下，我应该得到大致相同的图像。

有谁知道这里发生了什么？我应该以不同的方式组合图像吗？

我正在尝试手动实现 sobel 运算符。

由于某种原因，算子的水平和垂直分量似乎有很好的效果，但组合图像有很多噪声。

我注意到当我执行 (imgv**2)**0.5 之类的操作时，也会引入大量噪音，即使理想情况下，我应该得到大致相同的图像。

有谁知道这里发生了什么？我应该以不同的方式组合图像吗？

这是我在python中的代码：

这是输出：

我正在用 Python 从头开始​​编写一个计算机视觉库rpi来使用相机。目前，我已经实现了转换为greyscale和其他一些基本img操作，它们在我的model B rpi3.

sobel但是，我使用运算符（维基百科描述）的边缘检测功能比其他功能慢得多，尽管它确实有效。这里是：

greyscale并用这张猫的图像运行它：

我得到了这个回复，这似乎是正确的：

该库的应用，特别是这个功能，是在一个下棋机器人上，边缘检测将有助于识别棋子的位置。问题是运行需要>15几秒钟，这是一个严重的问题，因为它会大大增加机器人移动所需的时间。

我的问题是：我怎样才能加快速度？

到目前为止，我已经尝试了几件事：

1. 而不是squaringthen adding，然后square rooting是gx和gy值来获得总梯度，我只是sum值absolute。这大大提高了速度。

2. 使用resolution来自rpi相机的较低图像。这显然是一种使这些操作运行得更快的简单方法，但它并不是真正可行的，因为它在最小可用分辨率下仍然非常慢，480x360从相机的最大值大幅降低3280x2464。

3. 编写嵌套的 for 循环来matrix convolutions代替np.sum(np.multiply(...)). 这最终稍微慢了一点，这让我感到惊讶，因为np.multiply返回了一个新数组，我认为使用loops. 我认为虽然这可能是由于numpy大部分是写入的，C或者新数组实际上没有存储，所以不需要很长时间，但我不太确定。

任何帮助将不胜感激 - 我认为改进的主要内容是 point 3，即matrix乘法和求和。

我已经完成了 Sobel 和 Hough 变换，但我找不到实际结果。我已经分享了我的代码和相应的输出。最终的输出并不令人满意。我需要 3 行；道路线和车道线也（在中间）。

输入图像

检测线

这是我在灰度图像上执行的 sobel 过滤器功能。显然我的计算不正确，因为我不断得到全黑图像。我已经上交了这个项目，但结果不正确让我很困扰。