收入囊中
- 拉普拉斯算子
- LOG算子（高斯拉普拉斯算子）
- OpenCV Laplacian函数
- 构建自己的拉普拉斯算子
- 利用拉普拉斯算子进行图像的锐化
葵花宝典
在OpenCV2马拉松第14圈——边缘检测(Sobel,prewitt,roberts)
我们已经认识了3个一阶差分算子
拉普拉斯算子是二阶差分算子，为什么要加入二阶的算子呢？试想一下，如果图像中有噪声，噪声在一阶导数处也会取得极大值从而被当作边缘。然而求解这个极大值也不方便，采用二阶导数后，极大值点就为0了，因此值为0的地方就是边界。
有图有真相！
上面是一阶导数，下面是二阶导数
离散形式：
 |
 |
| 图5-9 拉普拉斯的4种模板 |
拉普拉斯算子会放大噪声，因此我们采用了LOG算子，就是高斯拉普拉斯算子，先对图像进行高斯模糊，抑制噪声，再求二阶导数，二阶导数为0的地方就是图像的边界。
初识API
API不用解释了，和Sobel完全一样！
- C++: void Laplacian (InputArray src, OutputArray dst, int ddepth, int ksize=1, double scale=1, double delta=0, int borderType=BORDER_DEFAULT )
-
- src – Source image.
- dst – Destination image of the same size and the same number of channels as src .
- ddepth – Desired depth of the destination image.
- ksize – Aperture size used to compute the second-derivative filters. See getDerivKernels() for details. The size must be positive and odd.
- scale – Optional scale factor for the computed Laplacian values. By default, no scaling is applied. See getDerivKernels() for details.
- delta – Optional delta value that is added to the results prior to storing them in dst .
- borderType – Pixel extrapolation method. See borderInterpolate() for details.
This is done when ksize > 1 . When ksize == 1 , the Laplacian is computed by filtering the image with the following 
aperture:
荷枪实弹
我们先调用API来实现
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
using namespace cv;
int main( int, char** argv )
{
Mat src, src_gray;
int kernel_size = 3;
const char* window_name = "Laplace Demo";
src = imread( argv[1] );
GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT );
cvtColor( src, src_gray, CV_RGB2GRAY );
namedWindow( window_name, CV_WINDOW_AUTOSIZE );
Mat dst, abs_dst;
Laplacian( src_gray, dst, CV_16S, kernel_size);
convertScaleAbs( dst, abs_dst );
imshow( window_name, abs_dst );
waitKey(0);
return 0;
}
效果图：
下面，我们用之前讲过的自定义滤波实现，采用
| 1 | 1 | 1 |
| 1 | －8 | 1 |
| 1 | 1 | 1 |
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
using namespace cv;
int main( int, char** argv )
{
Mat src,gray,Kernel;
src = imread( argv[1] );
GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT );
cvtColor( src, gray, CV_RGB2GRAY );
namedWindow("dstImage", 1);
Kernel = (Mat_<double>(3,3) << 1, 1, 1, 1, -8, 1, 1, 1, 1);
Mat grad,abs_grad;
filter2D(gray, grad, CV_16S , Kernel, Point(-1,-1));
convertScaleAbs( grad, abs_grad );
imshow("dstImage", abs_grad);
waitKey();
return 0;
}
效果图就不发了，跟上面差不多
举一反三
拉普拉斯算子有没有跟多的应用，当然有，比如图像锐化。
由于拉普拉斯是一种微分算子，它可增强图像中灰度突变的区域，减弱灰度的缓慢变化区域。因此，锐化处理可选择拉普拉斯算子对原图像进行处理，产生描述灰度突变的图像，再将拉普拉斯图像与原始图像叠加而产生锐化图像。拉普拉斯锐化的基本方法可以由下式表示：
 |
锐化代码
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
using namespace cv;
int main( int, char** argv )
{
Mat src,gray;
src = imread( argv[1] );
GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT );
cvtColor( src, gray, CV_RGB2GRAY );
namedWindow("srcImage", 1);
namedWindow("dstImage", 1);
Mat grad,abs_grad;
Laplacian( gray, grad, CV_16S, 3);
convertScaleAbs( grad, abs_grad );
Mat sharpped = gray + abs_grad;
imshow("srcImage", gray);
imshow("dstImage", sharpped);
waitKey();
return 0;
}
效果图：
有放大噪声（很难避免）