边缘检测算法（sobel）

 人工智能例子汇总：AI常见的算法和例子-CSDN博客 

Sobel边缘检测算法是一种用于图像处理中的边缘检测方法，它能够突出图像中灰度变化剧烈的地方，也就是边缘。该算法通过计算图像在水平方向和垂直方向上的梯度来检测边缘，梯度值越大表示图像边缘越明显

完整代码：

import torch
import torch.nn.functional as F
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 加载图像并转换为灰度图
image = cv2.imread('touxiang.jpg', cv2.IMREAD_GRAYSCALE)

# 确保图像加载成功
if image is None:
    print("Error loading image")
    exit()

# 转换为 PyTorch 张量，并进行归一化
image_tensor = torch.tensor(image, dtype=torch.float32) / 255.0
image_tensor = image_tensor.unsqueeze(0).unsqueeze(0)  # 添加批次和通道维度

# Sobel 卷积核
sobel_x = torch.tensor([[1, 0, -1],
                        [2, 0, -2],
                        [1, 0, -1]], dtype=torch.float32).unsqueeze(0).unsqueeze(0)  # 形状 [1, 1, 3, 3]
sobel_y = torch.tensor([[1, 2, 1],
                        [0, 0, 0],
                        [-1, -2, -1]], dtype=torch.float32).unsqueeze(0).unsqueeze(0)  # 形状 [1, 1, 3, 3]

# 使用 PyTorch 卷积计算水平和垂直梯度
grad_x = F.conv2d(image_tensor, sobel_x, padding=1)
grad_y = F.conv2d(image_tensor, sobel_y, padding=1)

# 计算梯度幅度（边缘强度）
grad_mag = torch.sqrt(grad_x**2 + grad_y**2)

# 去除多余的维度，并将结果缩放至 [0, 255] 范围
grad_mag = grad_mag.squeeze().numpy()  # 转为 NumPy 数组
grad_mag = np.uint8(np.clip(grad_mag * 255.0, 0, 255))  # 转为 8 位图像

# 显示原图和边缘图
plt.subplot(1, 2, 1)
plt.imshow(image, cmap='gray')
plt.title("Original Image")
plt.axis('off')

plt.subplot(1, 2, 2)
plt.imshow(grad_mag, cmap='gray')
plt.title("Sobel Edge Detection")
plt.axis('off')

plt.show()

结果：

区别：

任务不同：Sobel 是边缘检测算法，主要用于检测图像的边缘，而 Candy 主要用于图像的色彩处理或增强，通常是将黑白图像转化为彩色图像或应用某些特效。

输出不同：Sobel 输出的是一个梯度图或边缘检测结果，而 Candy 输出的是带有颜色的图像。

使用的技术不同：Sobel 算法基于图像的梯度和卷积，而 Candy 可能使用深度学习、滤镜或图像编辑技术来处理图像的颜色。

Sobel：边缘检测，突出图像的结构和轮廓。

Candy：通常指的是给图像添加颜色或应用艺术效果，涉及颜色处理和图像增强