如何设计Matlab中用1D conv实现Sobel算子的核？

Sobel算子属于可分离核，能将2D卷积拆解为两次1D卷积来完成，以此降低计算迭代次数。具体核拆分与实现方式如下：

X方向梯度（Gx）的1D核拆分 #

原2D X方向Sobel核：

K_x = [-1 0 1; -2 0 2; -1 0 1];

可拆分为两个1D核的外积：

• 垂直方向卷积核：k_vert = [1; 2; 1]
• 水平方向卷积核：k_horiz_x = [-1 0 1]

对应的1D卷积实现代码：

k_vert = [1; 2; 1];
k_horiz_x = [-1 0 1];

% 先做水平方向1D卷积，再做垂直方向1D卷积，结果与conv2(X, K_x, 'same')一致
Gx = conv(conv(X, k_horiz_x, 'same'), k_vert, 'same');

Y方向梯度（Gy）的1D核拆分 #

原2D Y方向Sobel核：

K_y = [-1 -2 -1; 0 0 0; 1 2 1];

同样拆分为两个1D核：

• 垂直方向卷积核：k_vert = [1; 2; 1]
• 水平方向卷积核：k_horiz_y = [-1 -2 -1]

对应的1D卷积实现代码：

k_vert = [1; 2; 1];
k_horiz_y = [-1 -2 -1];

% 先做垂直方向1D卷积，再做水平方向1D卷积，结果与conv2(X, K_y, 'same')一致
Gy = conv(conv(X, k_vert, 'same'), k_horiz_y, 'same');

梯度幅值与方向计算 #

得到Gx和Gy后，后续计算逻辑与2D卷积版本完全相同：

% 计算梯度幅值
G = sqrt(Gx.^2 + Gy.^2);
% 计算梯度方向（角度值）
O = atan2d(Gy, Gx);

注：拆分后的两次1D卷积，计算量远小于单次2D卷积，在处理大尺寸图像时性能优势更显著。

内容的提问来源于stack exchange，提问作者euraad