目标
在本教程中，您将学习如何：
- 理解拉普拉斯算子的数学原理及其在边缘检测中的应用。
- 掌握 OpenCV 中 Laplacian 函数的使用方法。
- 了解噪声对二阶导数的影响及预处理方法。
- 通过 C++ 和 Python 代码示例实现图像边缘提取。
理论背景
在上一节中，我们学习了如何使用 Sobel 算子。它基于这样一个事实：在边缘区域，像素强度显示出'跳跃'或强度的高度变化。得到强度的一阶导数后，我们观察到边缘的特征是最大值（峰值）。
如果我们取二阶导数会发生什么？
您可以观察到二阶导数在边缘处会穿过零值（Zero Crossing）。因此，我们也可以使用此标准来尝试检测图像中的边缘。但是，请注意，零不仅会出现在边缘，它们实际上可以出现在其他无意义的位置（例如平坦区域的噪声波动）。这可以通过在需要时应用滤波来解决。
拉普拉斯运算符
从上面的解释中，我们推断出二阶导数可用于检测边缘。由于图像是'2D'的，因此我们需要在两个维度上取导数。在这里，拉普拉斯运算符派上了用场。
拉普拉斯运算符的定义如下：
$$\Delta f = \frac{\partial^{2} f}{\partial x^{2}} + \frac{\partial^{2} f}{\partial y^{2}}$$
拉普拉斯运算符在 OpenCV 中由函数 cv::Laplacian 实现。事实上，由于拉普拉斯使用图像的梯度，它在内部调用 Sobel 算子来执行其计算。
噪声敏感性与预处理
拉普拉斯算子对噪声非常敏感。因为它是二阶微分算子，任何微小的灰度波动都会被放大，导致产生大量的虚假边缘。因此，在使用拉普拉斯算子之前，通常建议先对图像进行高斯模糊（Gaussian Blur）处理，以平滑图像并减少噪声的影响。
OpenCV 实现步骤
本程序的主要流程如下：
- 加载图像。
- 通过应用高斯模糊去除噪点，然后将原始图像转换为灰度。
- 将拉普拉斯运算符应用于灰度图像并存储输出图像。
- 将结果转换回 8 位无符号整数格式以便显示。
- 在窗口中显示结果。
关键参数说明
- src_gray：输入图像，通常为灰度图。
- dst：目标（输出）图像。
- ddepth：目标图像的深度。由于我们的输入是
CV_8U（8 位无符号），而拉普拉斯运算可能产生负值，因此我们定义ddepth = CV_16S以避免溢出。 - kernel_size：要在内部应用的 Sobel 算子的内核大小。在此示例中，我们使用 3。
- scale, delta：缩放因子和偏移量，通常保留为默认值 1 和 0。
代码示例 (C++)
#include <opencv2/opencv.hpp>
cv;
std;
{
Mat src, src_gray, dst, abs_dst;
kernel_size = ;
scale = ;
delta = ;
ddepth = CV_16S;
* window_name = ;
* imageName = argc >= ? argv[] : ;
src = (imageName, IMREAD_COLOR);
(src.()) {
();
();
;
}
(src, src, (, ), , , BORDER_DEFAULT);
(src, src_gray, COLOR_BGR2GRAY);
Mat abs_dst;
(src_gray, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT);
(dst, abs_dst);
(window_name, abs_dst);
();
;
}
