【OpenCV】33 图像梯度–拉普拉斯算子

33 图像梯度–拉普拉斯算子

代码

import cv2 as cv
import numpy as np

image = cv.imread("../images/yuan_test.png")
cv.namedWindow("input", cv.WINDOW_AUTOSIZE)
cv.imshow("input", image)

h, w = image.shape[:2]
src = cv.GaussianBlur(image, (0, 0), 1)
dst = cv.Laplacian(src, cv.CV_32F, ksize=3, delta=127)
dst = cv.convertScaleAbs(dst)
result = np.zeros([h, w*2, 3], dtype=image.dtype)
result[0:h,0:w,:] = image
result[0:h,w:2*w,:] = dst
cv.imshow("result", result)

cv.waitKey(0)
cv.destroyAllWindows()

实验结果

解释

图像的一阶导数算子可以得到图像梯度局部梯度相应值，二阶导数可以通过快速的图像像素值强度的变化来检测图像边缘，其检测图像边缘的原理跟图像的一阶导数有点类似，只是在二阶导数是求X、Y方向的二阶偏导数，对图像来说：

X方向的二阶偏导数就是 dx = f(x+1, y) + f(x-1, y) – 2f(x, y)
Y方向的二阶偏导数就是 dy = f(x, y+1) + f(x, y-1) – 2f(x, y)

对X方向与Y方向进行叠加最终就得到delta对应的二阶导数算子，看下图的部分就是对应的四邻域的二阶导数算子，我们可以进一步扩展增强为八邻域的算子。

注：拉普拉斯算子更容易收到噪声的扰动，所以经常对要处理的图像首先进行一个高斯模糊，然后再进行拉普拉斯算子的边缘提取，而且在一些场景中会把这两步合并成为一步，就是我们经常听说的LOG算子。

---

所有内容均来源于贾志刚老师的知识星球——OpenCV研习社，本文为个人整理学习，已获得贾老师授权，有兴趣、有能力的可以加入贾老师的知识星球进行深入学习。