本文详细介绍了如何在图像处理中利用OpenCV的Laplacian函数模拟二阶导数，实现边缘检测，包括理论背景、代码示例以及应用实例，展示了C++和Python中的实现过程。
目标
在本教程中，您将学习如何：
- 使用 OpenCV 函数 Laplacian**（） 实现 Laplacian** 算子的离散模拟。
理论
-
在上一教程中，我们学习了如何使用 Sobel Operator。它基于这样一个事实，即在边缘区域，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，我们观察到边缘的特征是最大值，如图所示：
-
和。。。如果我们取二阶导数会发生什么？
您可以观察到二阶导数为零！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）;这可以通过在需要时应用过滤来解决。
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”，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：
[拉普拉斯（f） = \dfrac{\partial^{2} f}{\partial x^{2}} + \dfrac{\partial^{2} f}{\partial y^{2}}]
-
拉普拉斯运算符在 OpenCV 中由函数 Laplacian（） 实现。事实上，由于拉普拉斯使用图像的梯度，因此它在内部调用 Sobel 算子来执行其计算。
法典 C++爪哇岛蟒
-
这个程序是做什么的？
- 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
- 在窗口中显示结果
-
教程代码如下所示。您也可以从这里下载
#include“opencv2/imgproc.hpp”
#include“opencv2/imgcodecs.hpp”
#include “opencv2/highgui.hpp”
使用命名空间 CV;
int main（ int argc， char** argv ）
{
声明我们将要使用的变量
垫子 src， src_gray， dst;
整数 kernel_size = 3;
int 刻度 = 1;
int delta = 0;
int ddepth = CV_16S;
const char* window_name = “拉普拉斯演示”;
const char* imageName = argc >=2 ？argv[1] ： “莉娜.jpg”;
src = imread（ samples：：findFile（ imageName ）， IMREAD_COLOR ）;加载图片
检查图像是否加载正常
if（src.空()){
printf（“打开图像时出错\n”);
printf（“ 程序参数： [image_name – default lena.jpg] \n”);
返回 -1;
}
通过使用高斯滤波器模糊来减少噪声 （ 核大小 = 3 ）
GaussianBlur( src, src, Size(3, 3), 0, 0, BORDER_DEFAULT );
cvtColor( src, src_gray, COLOR_BGR2GRAY ); // Convert the image to grayscale
Mat abs_dst;
Laplacian( src_gray, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT );
// converting back to CV_8U
convertScaleAbs( dst, abs_dst );
imshow( window_name, abs_dst );
waitKey(0);
return 0;
}
Explanation C++JavaPython
Declare variables
// Declare the variables we are going to use
Mat src, src_gray, dst;
int kernel_size = 3;
int scale = 1;
int delta = 0;
int ddepth = CV_16S;
const char* window_name = “Laplace Demo”;
Load source image
const char* imageName = argc >=2 ? argv[1] : “lena.jpg”;
src = imread( samples::findFile( imageName ), IMREAD_COLOR ); // Load an image
// Check if image is loaded fine
if(src.empty()){
printf(" Error opening image\n");
printf(" Program Arguments: [image_name – default lena.jpg] \n");
return -1;
}
Reduce noise
// Reduce noise by blurring with a Gaussian filter ( kernel size = 3 )
GaussianBlur( src, src, Size(3, 3), 0, 0, BORDER_DEFAULT );
Grayscale
cvtColor( src, src_gray, COLOR_BGR2GRAY ); // Convert the image to grayscale
Laplacian operator
Laplacian( src_gray, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT );
- 参数是：
- src_gray：输入图像。
- 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 和 BORDER_DEFAULT：我们将它们保留为默认值。
将输出转换为CV_8U图像
转换回 CV_8U
convertScaleAbs（ dst， abs_dst ）;
显示结果
imshow（ window_name， abs_dst ）;
waitKey（0）;
结果
-
编译完上面的代码后，我们可以运行它，将图像的路径作为参数。例如，用作输入：
-
我们得到以下结果。注意树木和奶牛的轮廓是如何大致清晰定义的（除了强度非常相似的区域，即奶牛头部周围）。另外，请注意，树木后面的房子屋顶（右侧）是臭名昭著的标记。这是因为该区域的对比度较高。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓
430
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
