Laplacian of Gaussian (LOG) 高斯拉普拉斯算子

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。

\mathbf{L(x,y)}=\mathbf{\frac{\partial^2 I }{\partial x^2} + \frac{\partial^2 I }{\partial y^2}}

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

拉普拉斯常用卷积核

 

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:G(x,y,\sigma)= \frac{1}{2\pi\sigma^2}e^{-\frac{x^2+y^2}{2\sigma^2}}

 

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: LOG(x,y)=-{\frac{1}{\pi \sigma^4}}[1-\frac{x^2 +y^2}{2\sigma^2}]e^{-\frac{x^2+y^2}{2\sigma^2}}

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。

G(x,y,\sigma)= \frac{1}{2\pi\sigma^2}e^{-\frac{x^2+y^2}{2\sigma^2}}      和   \mathbf{L(x,y)}=\mathbf{\frac{\partial^2 G }{\partial x^2} + \frac{\partial^2 G}{\partial y^2}},这里推导一下。纯手动敲打,有错的话留言提醒一下。

\frac{\partial G }{\partial x} = \frac{1}{2\pi\sigma^2}e^{-\frac{x^2+y^2}{2\sigma^2}}(-\frac{x}{\sigma^2}) = -\frac{x}{2\pi\sigma^4}e^{-\frac{x^2+y^2}{2\sigma^2}}

\frac{\partial^2 G }{\partial x^2} = -\frac{1}{2\pi\sigma^4}e^{-\frac{x^2+y^2}{2\sigma^2}} + \frac{x^2}{2\pi\sigma^6}e^{-\frac{x^2+y^2}{2\sigma^2}}

\frac{\partial^2 G }{\partial y^2} = -\frac{1}{2\pi\sigma^4}e^{-\frac{x^2+y^2}{2\sigma^2}} + \frac{y^2}{2\pi\sigma^6}e^{-\frac{x^2+y^2}{2\sigma^2}}

\therefore \mathbf{L(x,y)}=\mathbf{\frac{\partial^2 G }{\partial x^2} + \frac{\partial^2 G}{\partial y^2}}=-{\frac{1}{\pi \sigma^4}}[1-\frac{x^2 +y^2}{2\sigma^2}]e^{-\frac{x^2+y^2}{2\sigma^2}}

2D的LOG公式

 

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。

edge

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

 

  • 20
    点赞
  • 56
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值