Sobel Operator
L’opérateur de Sobel est un filtre d’image 3×3 qui mesure les gradients de luminosité pour la détection des contours, l’extraction de caractéristiques et la segmentation d’images.
L’opérateur de Sobel est un filtre d’image fixe qui estime à quelle vitesse et dans quelle direction la luminosité varie dans une image. Il produit des gradients d’image : les réponses élevées indiquent des transitions nettes, tandis que les réponses faibles signalent des régions relativement uniformes. Également appelé filtre de Sobel ou opérateur de Sobel–Feldman, il constitue un outil fondamental pour la détection des contours et l’extraction de caractéristiques en vision par ordinateur.
Irwin Sobel et Gary Feldman l’ont présenté au Stanford Artificial Intelligence Project en 1968, dans une présentation intitulée A 3x3 Isotropic Gradient Operator for Image Processing, décrite dans le récit historique et la dérivation de Sobel.
Fonctionnement des noyaux de Sobel#
Le filtrage de Sobel applique deux petites grilles de poids, appelées noyaux, aux pixels voisins. Ce filtrage local est généralement décrit comme une convolution ; OpenCV applique les poids sans les inverser, en utilisant une corrélation. Les noyaux standard 3 x 3 ont les lignes suivantes :
| Ligne | Noyau dans la direction X | Noyau dans la direction Y |
|---|---|---|
| Haut | -1, 0, 1 | -1, -2, -1 |
| Milieu | -2, 0, 2 | 0, 0, 0 |
| Bas | -1, 0, 1 | 1, 2, 1 |
La réponse dans la direction x, Gx, mesure les variations d’intensité de gauche à droite et met en évidence les contours verticaux. Gy mesure les variations de haut en bas et met en évidence les contours horizontaux. Chaque noyau combine un filtre de différence, avec les poids -1, 0, 1, le long d’un axe, et un lissage pondéré, avec les poids 1, 2, 1, le long de l’autre. Son champ réceptif couvre neuf pixels.
La combinaison de Gx et Gy donne la norme du gradient — la racine carrée de la somme de Gx au carré et de Gy au carré — et son orientation, calculée avec atan2(Gy, Gx). Le gradient pointe en travers d’un contour, perpendiculairement à sa limite locale. Ces sorties directionnelles sont des cartes de caractéristiques : des grilles spatiales qui décrivent la réponse en chaque position.
Appliquer Sobel en Python#
OpenCV calcule les dérivées signées avec cv2.Sobel, comme dans son guide d’implémentation de la détection des contours. Une sortie en virgule flottante préserve les réponses négatives, qui se produisent lorsque la luminosité diminue dans la direction sélectionnée ; une sortie non signée sur 8 bits les ramène à zéro et perd ces transitions de contour.
Installe les dépendances avec pip install opencv-python numpy. Cet exemple télécharge une image, calcule les deux dérivées et enregistre leur norme combinée :
from urllib.request import urlopen
import cv2
import numpy as np
with urlopen("https://ultralytics.com/images/bus.jpg") as response:
encoded = np.frombuffer(response.read(), dtype=np.uint8)
image = cv2.imdecode(encoded, cv2.IMREAD_GRAYSCALE)
# Préserve les dérivées signées avant de combiner leurs intensités.
gx = cv2.Sobel(image, cv2.CV_32F, 1, 0, ksize=3)
gy = cv2.Sobel(image, cv2.CV_32F, 0, 1, ksize=3)
magnitude = cv2.magnitude(gx, gy)
edge_image = cv2.normalize(magnitude, None, 0, 255, cv2.NORM_MINMAX)
cv2.imwrite("sobel_edges.png", edge_image.astype(np.uint8))L’image enregistrée affiche les transitions de luminosité marquées sous forme de contours clairs. Sa normalisation redimensionne les valeurs pour l’affichage ; une étape distincte de seuillage convertit l’intensité du gradient en une carte binaire des contours.
Applications des gradients de Sobel#
En segmentation d’images, la norme de Sobel peut fournir des informations sur les limites à un algorithme de ligne de partage des eaux, qui fait croître les régions à partir de marqueurs de départ. Dans l’exemple de segmentation de pièces de scikit-image, les gradients élevés forment des barrières entre les pièces et leur arrière-plan. L’algorithme de ligne de partage des eaux utilise ces barrières pour séparer le premier plan de l’arrière-plan avant que les composantes connexes n’étiquettent chaque pièce.
Les gradients de Sobel guident également la détection d’objets dans YOLO26-RD, un modèle personnalisé basé sur YOLO26 d’Ultralytics. Son module EdgeSPD utilise un signal de contour Sobel fixe pour contrôler le sous-échantillonnage et mettre en évidence les informations de limite à mesure que la résolution spatiale diminue.
Sobel et les autres filtres de détection des contours#
Prewitt utilise des poids de lissage uniformes ; Sobel accorde un poids supérieur à la ligne ou à la colonne centrale. Scharr améliore la précision directionnelle des estimations de dérivées 3 x 3. Le Laplacien mesure les variations d’intensité du second ordre. Canny combine l’estimation du gradient avec l’affinement des contours et leur raccordement à l’aide de deux seuils, produisant une carte de contours plus sélective que la norme brute de Sobel.
En analyse d’images médicales, les gradients induits par le bruit peuvent fragmenter les régions de la ligne de partage des eaux : la segmentation d’images IRM avec les gradients de Sobel illustre la sursegmentation et utilise le débruitage pour la réduire. Aux bords de l’image, l’absence de pixels voisins nécessite une règle d’extension définie : l’implémentation de Sobel de SciPy utilise par défaut la réflexion des pixels de part et d’autre du bord du dernier pixel.
