Sobel Operator
Sobel operatörü; kenar algılama, özellik çıkarımı ve görüntü segmentasyonu için parlaklık gradyanlarını ölçen 3×3 boyutunda bir görüntü filtresidir.
Sobel operatörü, parlaklığın bir görüntü boyunca ne kadar hızlı ve hangi yönde değiştiğini tahmin eden sabit bir görüntü filtresidir. Görüntü gradyanları üretir: büyük tepkiler keskin geçişleri, küçük tepkiler ise görece tekdüze bölgeleri gösterir. Sobel filtresi veya Sobel–Feldman operatörü olarak da bilinen bu yöntem, kenar algılama ve özellik çıkarımı için bilgisayarlı görü alanının temel araçlarından biridir.
Irwin Sobel ve Gary Feldman, bu yöntemi 1968'de Stanford Yapay Zekâ Projesi'nde Görüntü İşleme için 3x3 İzotropik Gradyan Operatörü başlıklı bir sunumla tanıttı; yöntemin ayrıntıları Sobel'in tarihsel anlatımında ve türetiminde açıklanmıştır.
Sobel Çekirdekleri Nasıl Çalışır?#
Sobel filtrelemesi, çekirdek adı verilen iki küçük ağırlık ızgarasını komşu piksellere uygular. Bu yerel filtreleme genellikle konvolüsyon olarak tanımlanır; OpenCV ağırlıkları çevirmeden, korelasyon kullanarak uygular. Standart 3 x 3 çekirdeklerin satırları şöyledir:
| Satır | X yönü çekirdeği | Y yönü çekirdeği |
|---|---|---|
| Üst | -1, 0, 1 | -1, -2, -1 |
| Orta | -2, 0, 2 | 0, 0, 0 |
| Alt | -1, 0, 1 | 1, 2, 1 |
X yönü tepkisi Gx, yoğunluğun soldan sağa değişimini ölçer ve dikey kenarları vurgular. Gy, yukarıdan aşağıya değişimleri ölçer ve yatay kenarları vurgular. Her çekirdek, bir eksen boyunca -1, 0, 1 ağırlıklarına sahip bir fark filtresini, diğer eksen boyunca ise 1, 2, 1 ağırlıklarına sahip ağırlıklı yumuşatmayla birleştirir. Alıcı alanı dokuz pikseli kapsar.
Gx ile Gy'yi birleştirmek, gradyan büyüklüğünü (Gx'in karesi ile Gy'nin karesinin toplamının karekökü) ve atan2(Gy, Gx) kullanılarak hesaplanan yönelimi verir. Gradyan, bir kenarın yerel sınırına dik olacak şekilde kenarın karşısına doğru yönelir. Bu yönlü çıktılar, her konumdaki tepkiyi tanımlayan uzamsal ızgaralar olan özellik haritalarıdır.
Python'da Sobel Uygulama#
OpenCV, kenar algılama uygulama kılavuzunda da kullanılan cv2.Sobel ile işaretli türevleri hesaplar. Kayan noktalı çıktı, seçilen yönde parlaklık azaldığında oluşan negatif tepkileri korur; işaretsiz 8 bitlik çıktı ise bunları sıfıra kırpar ve bu kenar geçişlerini kaybettirir.
Bağımlılıkları pip install opencv-python numpy ile yükle. Bu örnek bir görüntü indirir, her iki türevi hesaplar ve bunların birleşik büyüklüğünü kaydeder:
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)
# Güçlerini birleştirmeden önce işaretli türevleri koru.
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))Kaydedilen görüntü, güçlü parlaklık geçişlerini parlak konturlar olarak gösterir. Normalleştirme, görüntüleme için değerleri yeniden ölçeklendirir; ayrı bir eşikleme adımı ise gradyan gücünü ikili bir kenar haritasına dönüştürür.
Sobel Gradyanlarının Kullanım Alanları#
Görüntü segmentasyonunda, Sobel büyüklüğü başlangıç işaretlerinden bölgeler büyüten bir watershed algoritmasına sınır bilgisi sağlayabilir. scikit-image'ın madeni para segmentasyonu örneğinde, güçlü gradyanlar madeni paralarla arka planları arasında bariyerler oluşturur. Watershed, bağlı bileşenler tek tek madeni paraları etiketlemeden önce bu bariyerleri kullanarak ön planı arka plandan ayırır.
Sobel gradyanları, Ultralytics YOLO26 tabanlı özel bir model olan YOLO26-RD içinde nesne algılamaya da rehberlik eder. EdgeSPD modülü, aşağı örneklemeyi yönlendirmek için sabit bir Sobel kenar sinyali kullanır ve uzamsal çözünürlük azaldıkça sınır bilgisini vurgular.
Sobel ve Diğer Kenar Filtreleri#
Prewitt, eşit yumuşatma ağırlıkları kullanırken Sobel, orta satıra veya sütuna daha fazla ağırlık verir. Scharr, 3 x 3 türev tahminlerinde yön doğruluğunu artırır. Laplasyen, ikinci dereceden yoğunluk değişimlerini ölçer. Canny, gradyan tahminini kenar inceltme ve iki eşikli kenar bağlantısıyla birleştirerek ham Sobel büyüklüğüne kıyasla daha seçici bir kontur haritası üretir.
Tıbbi görüntü analizinde, gürültünün neden olduğu gradyanlar watershed bölgelerini parçalayabilir: Sobel gradyanlarıyla MR görüntüsü segmentasyonu, aşırı segmentasyonu gösterir ve bunu azaltmak için gürültü gidermeden yararlanır. Görüntü sınırlarında eksik komşular, tanımlı bir genişletme kuralı gerektirir: SciPy'nin Sobel uygulaması, son pikselin kenarının ötesindeki pikselleri yansıtmayı varsayılan olarak kullanır.
