【正文】 通信特別是網(wǎng)絡(luò)，大規(guī)模數(shù)據(jù)傳輸會造成互動網(wǎng)絡(luò)用戶的嚴(yán)重問題。 Sobel比其他算子比較容易實(shí)現(xiàn)。通常情況下它被用來尋找每個I 點(diǎn)上的近似絕對梯度幅度，該 I 點(diǎn)為輸入灰度 圖像上的點(diǎn)。因此，邊緣檢測是一種知識管理的形式。 邊緣在圖像處理的許多應(yīng)用上起著非常重要的作用，特別是為了分析控制光照條件下人造物體的場景的機(jī)器視覺系統(tǒng)。算子是用來順應(yīng)這種逐漸變化的情況。 邊緣結(jié)構(gòu)： 不是所有的邊緣都涉及強(qiáng)度的變化。被使用在含有噪音的圖像上通常是在更大的范圍才使用算子，所以它們可以平均足夠的數(shù)據(jù)來使局部噪聲產(chǎn)生折扣。 噪聲環(huán)境： 在有噪音環(huán)境下，邊緣檢測是困難的，除非噪音和邊緣都包含高頻率的內(nèi)容。這是通過： （ 1） 應(yīng)用原始圖像的噪音平滑 （ 2） 根據(jù)下面表一給出的結(jié)果所示的兩個內(nèi)核過濾原始圖像 表一 兩核的濾波結(jié)果 核 1= xG 核 2= yG 1 0 1 1 2 1 2 0 2 0 0 0 1 0 1 1 2 1 根據(jù) I1 和 I2 （ 3） 估計(jì)每個像素上的梯度幅度： ? ? ? ? ? ?2221, ITjiG ?? (14) （ 4） 如果 G(i， j)t，標(biāo)記像素為邊緣點(diǎn)，產(chǎn)生的結(jié)果如圖 (表三 ) 表三 圖像邊緣檢測 邊緣檢測 的實(shí)際意義和重要性 Sobel 邊緣檢測的下列優(yōu)點(diǎn)證明它優(yōu)于其他邊緣檢測技術(shù)： 邊緣方向： 算子的幾何決定在最敏感邊緣方向上的特征。當(dāng)Gy 模板突出在垂直方向上的邊緣時 Gx 模板突出在水平方向上的邊緣。值得注意的是第一行和最后一行的像素，以及第一和最后一列不能用 3*3 模板來操縱的列。因此，模板是一段時間里圖像操縱一個正方形像素的滑塊。 Sobel 邊緣檢測器使用了一對 3*3 的卷積模板，一個 X 方向上的估計(jì)梯度以及 Y 方向的其他估計(jì)梯度。 結(jié)果與討論 Sobel 算子在圖像上進(jìn)行一個二維空間的梯度檢測。通常所做的是圖像數(shù)據(jù)和模型 在小窗口中被代表，通過在一個特定的二維正交級數(shù)膨脹上的一階導(dǎo)數(shù)系數(shù)。 ? ? IGI ????? 22 G (13) 邊緣可以通過指定它的四個自由度來被仿照的：它的位置，方向，和步驟兩側(cè)的恒定強(qiáng)度。這是 I 的拉普拉斯： 22222I yIxI ??????? (12) 拉普拉斯是線性和旋轉(zhuǎn)對稱。 Sobel 邊緣檢測算法的偽代碼 輸入：一幅簡單圖像 輸出：檢測出的邊 第一步： 接收輸入的圖像 第二步： 應(yīng)用輸入的圖像的模板 yx G,G 第三步： 應(yīng)用 Sobel 邊緣檢 測算法和梯度 第四部： 輸入圖像中對應(yīng) Gx ， Gy 的模板控制 第五部： 結(jié)合結(jié)果找到梯度的絕對大小 2y2x GGG ?? (11) 第六步： 絕對量是輸出邊緣 二階導(dǎo)數(shù)算子 最大的一階導(dǎo)數(shù)將產(chǎn)生在二階導(dǎo)數(shù)的零交叉上。這意味著在一些圖像點(diǎn)上的 Sobel 算子的結(jié)果，該圖像點(diǎn)是在不變的圖像強(qiáng)度為零向量的地區(qū)里，在邊緣的點(diǎn)上是一個通過邊緣的點(diǎn)的向量，從暗到明值。數(shù)學(xué)上，每幅圖像點(diǎn)上的一個二元函數(shù)(圖像的強(qiáng)度函數(shù) )的梯度是一個 2D 向量，根據(jù)在水平和垂 直方向上的衍生物給出的 分量。這結(jié)果因此顯示了圖像在那個點(diǎn)上如何 ―突然 ‖或 ―順利 ‖地變化，并 且顯示代表邊緣的圖像的部分，同時顯示如何導(dǎo)向邊。這類算子中的一個重要的邊緣算子是 Sobel邊緣算子。相應(yīng)的卷積遮掩已給出： ????????? 01 101 和 ?????? ??? 10 012 通過面具的鄰居上的局部平均值，使用較大規(guī)模的面具的優(yōu)勢是噪音影響產(chǎn)生的錯誤降低了。梯度分量的近似可以分別沿 450和 1350 上的方向來得到，而不是尋找 x或 y方向上的近似梯度分量。 ????????? 00 11x ， ????????? 01 01y 如果這已經(jīng)完成，那么： 1. 反過來，適當(dāng)遮掩的左上角是疊加在圖像的每個像素上。這個算子是一個離散的微分算子，計(jì)算圖像強(qiáng)度函數(shù)的近似梯度 (Sobel 和 Feldman， 1968)。然而，當(dāng)一個人看到圖像的像素時，一個邊的可見部分是夯實(shí)的。 邊的觀點(diǎn)依賴：當(dāng)視角變化是邊也可能變化，并且通常能反映幾何結(jié)構(gòu)，反過來也可以反映視角的性能比如表面標(biāo)志和表面形狀。例如 希爾德雷斯，高斯的拉普拉斯等 等。例如Roberts， Sobel 檢測有非常尖銳邊緣的特征 (見圖 1)。 dx =dy =1(像素間距 )像素坐標(biāo)上的點(diǎn)是 (i， j)，因此 ? ? ? ?jifjifx ,1 ???? (5) ? ? ? ?jifjify ,1, ???? (6) 為檢測是否存在一個梯度間斷，可以計(jì)算（ i， j）梯度上的變化。因此， 梯度的部分也許可以通過使用下面的近似來找到： ? ? ? ? ? ?dx yxfydxxfxx yxf , ??????? (3) ? ? ? ? ? ?dy yxfdyyxfyx yxf , ??????? (4) 沿著 X 和 Y 方向，分別用 d x 和 dy 代表距離。 使用這種假設(shè)，如果取得圖像強(qiáng)度值的導(dǎo)數(shù)并且找到最大導(dǎo)數(shù)的點(diǎn)，那么邊緣就能確定了。比較方程是： C? ?0rr ??， = ? ? ? ?? ? ? ??????????trItrI00rI if 0 rI if 1 ?? ?? (1) 三維圖像中， r? 的位置即是核所在的位置， 0r? 是遮罩上的一些其他點(diǎn)的位置， I??r?是像素的亮度， t 是不同閥值上的亮度， C 是對比后的輸出。半徑通常是 像素，給出 37 像素的遮罩，最小的遮罩被認(rèn)為是傳統(tǒng)的 遮罩。該響應(yīng)再經(jīng)過處理得到作為邊集的輸出。 另一種被使用的算法是 Susan邊緣檢測器。 他還表明這種過濾器可以很好的被逼近高斯一介導(dǎo)數(shù)。 Canny(1986)認(rèn)為推導(dǎo)一個最佳的平滑的過濾器的數(shù)學(xué)問題是給出檢測的標(biāo)準(zhǔn)，定位以及減少單個邊的多個響應(yīng)。當(dāng)算法被應(yīng)用時，角度和大 小被得到用來確定保留邊緣部分。此外， Canny邊緣檢測器是一個復(fù)雜的最優(yōu)邊緣檢測器，它要花相當(dāng)長的時間來得到計(jì)算結(jié)果。 Canny邊緣檢測算子是由 John F 發(fā)現(xiàn)的。由于 Gy 圖片呈現(xiàn)從右上角到左下方的邊， Gx 圖像將闡明從左上角到右下角的對角線。 這兩個過濾器突出了具有特殊頻率的區(qū)域，趨向于在圖像中定義一個物理邊緣。 Roberts 交叉算法執(zhí)行圖像上的二維空間梯度的卷積。 相關(guān)方法 不同的方法被用于圖像處理上的邊緣檢測，其中有 Roberts 交叉算法。儲存，通過互聯(lián)網(wǎng)和寬帶傳輸這 些問題在進(jìn)行邊緣檢測時可以很簡單的就解決掉 (Vincent, 2021)。 圖像質(zhì)量 反映了輸出邊緣的重要信息，并且圖像的尺寸是在減小的。 檢測圖像亮度的急劇變化的目的是要捕捉重要的事件。消除冗余可以通過邊緣檢測來完成。它顯著地減少了圖像尺寸的量并且過濾了一些可能被認(rèn)為相關(guān)性較小的信息，保持了一幅圖像的重要結(jié)構(gòu)特征 (Yuval, 1996)。在一圖像中邊緣檢測是理解圖像特征的一個重要步驟。 因此，檢測邊緣幫助提取圖像突然變化區(qū)域的有用的信息特征 (Folorunso et al., 2021)。以圖像的邊緣代表一幅圖像有一個基本優(yōu)點(diǎn)，當(dāng)以高頻率 保留圖像的大多數(shù)的重要信息時，數(shù)據(jù)量明顯的減少(Keren, Osadchy, amp。邊通常對應(yīng)圖像上的點(diǎn)，圖像上灰度明顯地從一個像素變化到下一個。邊作為像素的局部特征和最接近的近鄰，特征邊界 (ChaugHuang, 2021)。 這 一過程涉及圖像的增強(qiáng)或操縱，導(dǎo)致產(chǎn)生另一圖像，冗余數(shù)據(jù)的清除和2D 像素陣列到靜態(tài)不相關(guān)數(shù)據(jù)集的轉(zhuǎn)化 (Priotr, 2021)。 IT Education Conference (InSITE) 2021: 97107. 圖像，也有可能是比如圖像的一個特征 (Yuval, 1996)。首先，圖像是在空間上的參數(shù)測量，而大多數(shù)的信號是在時間上的參數(shù)測量。圖像處理 過程 中 允許 一些更復(fù)雜算法的使用，從而可以在簡單任務(wù)中提供更先進(jìn)的性能， 同時可以實(shí)現(xiàn)模擬手段不能實(shí)現(xiàn)的方法 (Micheal, 2021)。但是，因?yàn)楫?dāng)時的計(jì)算設(shè)備關(guān)系，處理的成本卻很高。 Nayar, 1996)。數(shù)字圖像處理 (DSP)提高了在極不利條件下所拍攝的圖像的質(zhì)量，具體方法有：調(diào)整亮度與對比度，邊緣檢測，降噪，調(diào)整重點(diǎn)，減少運(yùn)動模糊等 (Gonzalez, 2021)。 引言 圖像處理在現(xiàn)代數(shù)據(jù)儲存和數(shù)據(jù)傳輸方面十分重要，特別是圖像的漸進(jìn)傳輸，視頻編碼 (電話會議 )， 數(shù)字圖書館，圖像數(shù)據(jù)庫以及遙感。因此， Sobel 算子被建議用在數(shù)據(jù)傳輸中的大量數(shù)據(jù)通信。 Sobel 邊緣檢測器采用一對 33 的卷積模板，一塊估計(jì) x－方向的梯度，另一塊估計(jì) y－方向的梯度。 Sobel 算子就是在圖像上進(jìn)行 2D 的空間梯度測量。 譯文一： 1一個索貝爾圖像邊緣檢測算法描述 [1] 摘要 ： 圖像邊緣檢測是一個確定圖像邊緣的過程，在輸入的灰度圖中的各個點(diǎn)尋找絕對梯度近似級對于邊緣檢測是非常重要的。為邊緣獲得適當(dāng)?shù)慕^對梯度幅度主要在與使用的方法。轉(zhuǎn)換 2D 像素列陣到性能統(tǒng)計(jì)數(shù)據(jù)集提高了數(shù)據(jù)冗余消除，因此，作為代表的數(shù)字圖像，數(shù)據(jù)量的減少是需要的。 Sobel 檢測器對于圖像中的噪音很敏感，它能有效地突出邊緣。 關(guān)鍵詞： 圖像處理，邊緣檢測， Sobel 算子，通信數(shù)據(jù)，絕對梯度幅度。它與處理靠算法產(chǎn)生所需的圖像有關(guān) (Milan et al., 2021)。圖像處理 允許更廣泛的范圍被應(yīng)用到輸入數(shù)據(jù)， 以避免如噪聲和信號失真集結(jié)在加工過程中存在的問題 (Baker amp。在 19 世紀(jì) 60 年代的 Jet Propulsion 實(shí)驗(yàn)室，美國麻省理工學(xué)院 (MIT)，貝爾實(shí)驗(yàn)室以及一些其他的地方，數(shù)字圖像處理技術(shù)不斷發(fā)展。隨著 20 世紀(jì)快速計(jì)算機(jī)和信號處理器的應(yīng)用，數(shù)字圖像處理變成了 圖像處理最通用的形式，因?yàn)樗恢皇亲疃喙δ艿?，還是最便宜的。因此，計(jì)算機(jī)搜集位表示像素或者點(diǎn)形成的圖片元素，以此儲存在電腦中 (Vincent, 2021)。其次，它們包含了大量的信息 (Guthe 和 Strasser, 2021)；圖像處理是當(dāng)輸入是圖像時的信息處理方式，就像是幀視頻；輸出不一定是 [1] A Descriptive Algorithm for Sobel Image Edge Detection[C]. Proceedings of Informing Science amp。 大多數(shù)圖像處理技術(shù)包括把圖像視為一個二維信號，以及包括信號處理技術(shù)的應(yīng)用標(biāo)準(zhǔn)。 由于圖像包含大量的冗余數(shù)據(jù)，學(xué)者們發(fā)現(xiàn)最重要的信息在它的邊緣 (Canny, 1986)。它們對應(yīng)于對象的界限，表面方向的改變和一個小幅度的對失敗的描述。 邊代表圖像上具有很強(qiáng)對比度的區(qū)域 。 Gotsman, 2021)。 邊緣檢測是一個定位圖像邊緣的一個過程。邊組成了有意義的特征并且包含了重要的信息。當(dāng)圖像被改時，大多數(shù)的圖像包含一些當(dāng)邊被檢 測或更換時被移走的冗余 (Osuna etal., 1997)。當(dāng)進(jìn)行圖像邊緣檢測時，圖像中純在的每一種冗余都被刪除 (Sparr, 2021)。在保持重要結(jié)構(gòu)特征的前提下，對一幅圖像進(jìn)行邊緣檢測會大大減少要處理的數(shù)據(jù)量并且可能因此過濾掉那些被認(rèn)為不太有關(guān)的信息。這反過來又進(jìn)一步解釋了邊緣檢測是一種解決了高容量空間圖像占用電腦內(nèi)存的問題的方法。由于邊緣通常出現(xiàn)在圖像邊界地區(qū)，邊緣檢測被廣泛應(yīng)用在當(dāng)圖像被分成對應(yīng)不同 對象 區(qū)域的圖像分割。 Robert 將一幅照片處理成一個線條制圖，再將線條圖轉(zhuǎn)化成一個立體的圖像，最后從任何角度顯示所有刪除了的隱藏線條的三維結(jié)構(gòu) (Robert, 1965)。其主要思想是呈現(xiàn)出水平和垂直邊緣，然后把邊緣檢測結(jié)果放在一起 。兩個過濾器被設(shè)計(jì)的目的是實(shí)現(xiàn)對圖像的角線邊緣。這兩個獨(dú)立的 Gx 和Gy 圖像使用近似公式相組合 GyGxG ?? 。在 1986 年， Canny使用多級算法來檢測圖像中廣范圍的邊。圖像首先通過高斯模糊來處理噪 音。 設(shè)置兩個截止閥值點(diǎn)，當(dāng)圖像中的某些值低于第一個閥值時則降到零，當(dāng)值高于第二個閥值時提高到一。他指出最佳過濾器給出的這些假設(shè)是四指數(shù)項(xiàng)的總和。 Canny還介紹了非最大抑制的概念， 給出 presmoothing過濾器，邊緣點(diǎn)被定義為梯度幅度上假定的一個在梯度方向最大的點(diǎn)。這種邊緣檢測算法 跟著常用的算法 —獲取一幅圖像并且使用 預(yù)先確定的窗口集中在圖像中的每個 像素，該圖像使用本地代理的一套規(guī)則給出一個邊緣響應(yīng) (Vincent， 2021)。 Susan 邊緣過濾器已經(jīng)通過使用圓形遮罩 (內(nèi)核 )以及近似的使用或常數(shù)加權(quán)或高斯加權(quán)而給出同位素反應(yīng)被實(shí)現(xiàn)。被使用在所有特征檢測實(shí)驗(yàn)中的 37 像