Sobel算子如何应用于边缘检测，实现长尾词识别？

本文共计884个文字，预计阅读时间需要4分钟。

2017-11-18 00:31：原文章节中的部分代码，与原版本相比，结构上更加强化，但仍存在一些不足。以下为其中一段代码的对比：+2017-11-18 00:31：原文：本章节中的部分代码，与原版本相比，结构上有所改进，但仍有不足之处。

2017-11-1800:31前言本文章中的一部分代码写得比较仓促虽然比原来写的结构性更强但仍有缺陷下一篇中的代码

2017-11-18 00:31

前言：本文章中的一部分代码写得比较仓促，虽然比原来写的结构性更强，但仍有缺陷，下一篇中的代码经过了稍微修改。Sobel算子是整像素图像边缘检测中最重要的算子之一,该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像 作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘 检测的图像，其公式如下:

图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。  

可用以下公式计算梯度方向。

用sobel算子进行卷积的方法：

将图像转化成矩阵后，首先设计卷积核，多数情况下是3*3的矩阵，这里把sobel算子作为卷积核，如下，依次在图 像矩阵中移动卷积核。

把被卷积核覆盖的区域中的对应元素相乘，然后9个值相加作为一个像素的值，赋给输出的矩阵。

但这样做会导致图片变小，因此有一种做法就是在图片矩阵四周加上0，再运算。

例：

这里有一张小狗的图片，大小为1024px * 991px，原图是以jpeg格式储存的，我们需要读取每一个像素的RGB值，由于我还 没搞清jpeg的压缩方式，这里先使用windows的画图软件将它转化为24位的bmp位图。