Sobel Operator
Toán tử Sobel là bộ lọc ảnh 3×3 dùng để đo gradient độ sáng, phục vụ phát hiện biên, trích xuất đặc trưng và phân đoạn ảnh.
Toán tử Sobel là bộ lọc ảnh cố định, ước tính tốc độ và hướng thay đổi độ sáng trên ảnh. Toán tử tạo ra các gradient ảnh: phản hồi lớn đánh dấu những chuyển tiếp sắc nét, còn phản hồi nhỏ cho biết các vùng tương đối đồng nhất. Còn được gọi là bộ lọc Sobel hoặc toán tử Sobel–Feldman, đây là công cụ nền tảng cho phát hiện biên và trích xuất đặc trưng trong thị giác máy tính.
Irwin Sobel và Gary Feldman giới thiệu toán tử này tại Dự án Trí tuệ nhân tạo Stanford vào năm 1968 trong bài thuyết trình có tiêu đề Toán tử gradient đẳng hướng 3x3 cho xử lý ảnh, được mô tả trong ghi chép lịch sử và phần suy dẫn của Sobel.
Cách hoạt động của các kernel Sobel#
Bộ lọc Sobel áp dụng hai lưới trọng số nhỏ, gọi là kernel, lên các pixel lân cận. Phép lọc cục bộ này thường được mô tả là phép tích chập; OpenCV áp dụng các trọng số mà không lật chúng, tức là dùng phép tương quan. Các kernel 3 x 3 tiêu chuẩn có các hàng như sau:
| Hàng | Kernel theo hướng X | Kernel theo hướng Y |
|---|---|---|
| Trên | -1, 0, 1 | -1, -2, -1 |
| Giữa | -2, 0, 2 | 0, 0, 0 |
| Dưới | -1, 0, 1 | 1, 2, 1 |
Phản hồi theo hướng x, Gx, đo những thay đổi cường độ từ trái sang phải và làm nổi bật các biên dọc. Gy đo những thay đổi từ trên xuống dưới và làm nổi bật các biên ngang. Mỗi kernel kết hợp một bộ lọc sai phân có trọng số -1, 0, 1 dọc theo một trục với phép làm mượt có trọng số 1, 2, 1 dọc theo trục còn lại. Trường tiếp nhận của kernel bao phủ chín pixel.
Kết hợp Gx và Gy cho ra độ lớn gradient—căn bậc hai của tổng bình phương Gx và Gy—và hướng, được tính bằng atan2(Gy, Gx). Gradient hướng ngang qua biên, vuông góc với đường biên cục bộ. Các đầu ra có hướng này là bản đồ đặc trưng: các lưới không gian mô tả phản hồi tại từng vị trí.
Áp dụng Sobel trong Python#
OpenCV tính các đạo hàm có dấu bằng cv2.Sobel, như được dùng trong hướng dẫn triển khai phát hiện biên. Đầu ra dấu phẩy động giữ lại các phản hồi âm, xuất hiện khi độ sáng giảm theo hướng được chọn; đầu ra số nguyên không dấu 8 bit cắt các giá trị này về 0 và làm mất những chuyển tiếp biên đó.
Cài đặt các phần phụ thuộc bằng pip install opencv-python numpy. Ví dụ này tải xuống một ảnh, tính cả hai đạo hàm và lưu độ lớn kết hợp của chúng:
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)
# # Giữ lại các đạo hàm có dấu trước khi kết hợp độ lớn của chúng.
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))Ảnh đã lưu hiển thị các chuyển tiếp độ sáng mạnh dưới dạng đường viền sáng. Bước chuẩn hóa của ảnh sẽ đổi tỷ lệ giá trị để hiển thị; một bước phân ngưỡng riêng biệt chuyển cường độ gradient thành bản đồ biên nhị phân.
Các ứng dụng của gradient Sobel#
Trong phân đoạn ảnh, độ lớn Sobel có thể cung cấp thông tin biên cho thuật toán watershed, thuật toán này mở rộng vùng từ các marker khởi tạo. Trong ví dụ phân đoạn đồng xu của scikit-image, các gradient mạnh tạo thành ranh giới giữa đồng xu và nền. Thuật toán watershed dùng các ranh giới này để tách tiền cảnh khỏi hậu cảnh trước khi các thành phần liên thông gán nhãn từng đồng xu.
Gradient Sobel cũng hỗ trợ phát hiện đối tượng trong YOLO26-RD, một model tùy chỉnh dựa trên YOLO26 của Ultralytics. Module EdgeSPD dùng tín hiệu biên Sobel cố định để điều tiết quá trình giảm lấy mẫu, làm nổi bật thông tin biên khi độ phân giải không gian giảm.
Sobel và các bộ lọc biên khác#
Prewitt sử dụng trọng số làm mượt đồng đều; Sobel gán trọng số lớn hơn cho hàng hoặc cột ở giữa. Scharr cải thiện độ chính xác theo hướng cho các ước tính đạo hàm 3 x 3. Laplacian đo những thay đổi cường độ bậc hai. Canny kết hợp ước tính gradient với làm mảnh biên và liên kết biên bằng hai ngưỡng, tạo ra bản đồ đường viền có chọn lọc hơn so với độ lớn Sobel thô.
Trong phân tích ảnh y khoa, gradient do nhiễu gây ra có thể làm phân mảnh các vùng watershed: phân đoạn ảnh MR bằng gradient Sobel minh họa hiện tượng phân đoạn quá mức và dùng khử nhiễu để giảm hiện tượng này. Ở rìa ảnh, các điểm lân cận bị thiếu nên cần xác định quy tắc mở rộng: triển khai Sobel của SciPy mặc định phản chiếu pixel qua mép của pixel cuối cùng.
