方法中的方法

Laplacian

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 

容易看出，如果在图像中一个较暗的区域中出现了一个亮点，那么用拉普拉斯运算就会使这个亮点变得更亮。因为图像中的边缘就是那些灰度发生跳变的区域，所以拉普拉斯锐化模板在边缘检测中很有用。一般增强技术对于陡峭的边缘和缓慢变化的边缘很难确定其边缘线的位置。但此算子却可用二次微分正峰和负峰之间的过零点来确定，对孤立点或端点更为敏感，因此特别适用于以突出图像中的孤立点、孤立线或线端点为目的的场合。同梯度算子一样，拉普拉斯算子也会增强图像中的噪声，有时用拉普拉斯算子进行边缘检测时，可将图像先进行平滑处理。

图像锐化处理的作用是使灰度反差增强，从而使模糊图像变得更加清晰。图像模糊的实质就是图像受到平均运算或积分运算，因此可以对图像进行逆运算，如微分运算能够突出图像细节，使图像变得更为清晰。由于拉普拉斯是一种微分算子，它的应用可增强图像中灰度突变的区域，减弱灰度的缓慢变化区域。因此，锐化处理可选择拉普拉斯算子对原图像进行处理，产生描述灰度突变的图像，再将拉普拉斯图像与原始图像叠加而产生锐化图像。

这种简单的锐化方法既可以产生拉普拉斯锐化处理的效果，同时又能保留背景信息，将原始图像叠加到拉普拉斯变换的处理结果中去，可以使图像中的各灰度值得到保留，使灰度突变处的对比度得到增强，最终结果是在保留图像背景的前提下，突现出图像中小的细节信息。但其缺点是对图像中的某些边缘产生双重响应。

Gaussian

根据像素点的距离然后加权平均利用高斯函数。

高斯函数的提点就是距离原点越近得到的权重越高距离原点越远得到的权重就越小。得到高斯矩阵后还需要把各个权重加起来的和为1。

高斯滤波的好处是可以消除高斯噪声（它的概率密度函数服从高斯分布（即正态分布）的一类噪声）。