Laplacian(拉普拉斯)是对于一张图像的二阶空间导数上各向同性的测量。一张图像的Laplacian会显示出intensity(亮度) 剧烈变化的区域,所以经常用作边缘检测。
一幅图像的拉普拉斯变换可以用下面的式子表示: I(x,y)代表带有亮度信息的图像。
因为输入的图像都是用离散的像素表示的,例如256*256,所以我们需要找到离散的卷积核来近似laplacian变换。两个最常用的小卷核是
因为卷积核是对图像二阶求导的一种近似,所以它对于噪声来说更加敏感。为了克服这一点,通常在进行laplacian之前,先进行Gaussian Smooth(高斯平滑)。所以L*(G*I), 这里I 表示的是图像,G表示的是Gaussian Smoothing Filter
2D图像中各向同性的高斯形式:
因为卷积运算满足结合律,所以可以先对Gaussian Smoothing Filter 和 Laplacian Filter进行卷积,之后在将卷积结果和图像I 进行卷积。这样一来有两个好处:
(1)两个Filter都是比较小,所以运算少
(2)在对图像进行实时处理时,只有一个卷积运算
到现在为止就变成了使用Laplacian of Gaussian 对图像I 进行卷积, 2-D的LOG(中心在零点,标准差为sigma)如图所示:
2D LOG公式:
这个公式是直接对上文中提到的2D高斯函数进行Laplacian得到的。
和,这里推导一下。纯手动敲打,有错的话留言提醒一下。
根据上面的叙述,对于一个intensity变化剧烈的边界(如下图左,在x左侧比较暗,在x的右侧比较亮)对其进行二阶求导之后,可以发现,x的左侧LOG结果为正,在右侧为负,所以在亮的地方LOG响应为负,在暗的地方响应为正。
所以在边缘处的LOG响应具有如下的特点:
zero at a long distance from the edge(我画的可能不太明显);positve just to one side of the edge;negative just to the other side of the edge;zero at some point in between, on the edge itself。
参考链接:
https://homepages.inf.ed.ac.uk/rbf/HIPR2/log.htm
https://homepages.inf.ed.ac.uk/rbf/HIPR2/gsmooth.htm
如果觉得《高斯拉普拉斯算子LOG》对你有帮助,请点赞、收藏,并留下你的观点哦!