详细内容或原文请订阅后点击阅览
特征检测，第 2 部分：拉普拉斯和高斯运算符
拉普拉斯遇见高斯——边缘检测中两个算子的故事特征检测后，第 2 部分：拉普拉斯和高斯算子首先出现在《走向数据科学》上。
来源:走向数据科学特征检测是计算机视觉的一个领域，专注于使用工具来检测图像中感兴趣的区域。大多数特征检测算法的一个重要方面是它们在底层不采用机器学习，这使得结果更容易解释，在某些情况下甚至更快。在本系列的上一篇文章中，我们了解了边缘 - 图像强度急剧变化的区域。边缘通常代表可以找到感兴趣对象的局部区域。
在本系列的上一篇文章中 边缘例如，考虑一幅蓝天的图像，一架小飞机飞过它。除了包含平面与蓝天背景相交的小区域外，整个图像的强度差几乎为零。因此，我们可以使用图像导数或 Sobel 滤波器轻松检测平面所在的区域及其形状。
换句话说，我们可以通过获取强度函数的一阶导数的最小/最大峰值来检测边缘，这由中间的图像表示。我们可以通过获取强度函数的一阶导数的最小/最大峰值来检测边缘
第二图像导数
让我们回到前面提到的例子，问问自己，如果我们取二阶导数会发生什么？答案如下右图所示。在这种情况下，一阶导数的最小/最大峰值将对应于二阶导数的零点。
一阶导数的最小/最大峰值将对应于二阶导数的零点。 拉普拉斯运算符（OpenCV 文档）。一般来说，图像边缘会产生非常尖锐的过零区域。
定义
拉普拉斯算子由以下公式正式定义：
拉普拉斯算子不提供有关边缘方向的信息。