cv2.Laplacian利用LOG（Laplacian of Gaussian, LOG）提取图像的边缘或者检测斑点

利用高斯拉普拉斯算子（Laplacian of Gaussian, LOG）提取图像边缘是一种结合了高斯平滑和拉普拉斯边缘检测的方法。这种方法首先使用高斯滤波器对图像进行平滑处理，以减少噪声对边缘检测的影响，然后应用拉普拉斯算子来检测平滑后图像中的边缘。

以下是使用Python和OpenCV库来实现LOG边缘检测的步骤：

1. 导入必要的库：
   你需要导入OpenCV（cv2）和NumPy（np）库。

2. 读取图像：
   使用OpenCV的cv2.imread()函数读取图像。

3. 转换为灰度图像（如果图像不是灰度图像）：
   使用cv2.cvtColor()函数将图像转换为灰度图像。

4. 应用高斯平滑：
   使用OpenCV的cv2.GaussianBlur()函数对灰度图像进行高斯平滑处理。

5. 应用拉普拉斯算子：
   对平滑后的图像应用拉普拉斯算子，使用OpenCV的cv2.Laplacian()函数。

6. 寻找边缘（可选）：
   拉普拉斯算子的结果是一个图像，其中边缘区域会有较高的绝对值。你可以通过设置阈值来识别这些区域作为边缘。

7. 显示结果：
   使用OpenCV的cv2.imshow()函数或Matplotlib库来显示边缘检测结果。

8. 示例代码：

   def laplacian(img, save, name):
   
   
   # 读入图像，转换为灰度图
       image = cv2.imread(img, cv2.IMREAD_GRAYSCALE)
   # 高斯滤波
       blurred = cv2.GaussianBlur(image, (5, 5), 0)
   # 拉普拉斯计算
       laplacian = cv2.Laplacian(blurred, cv2.CV_64F)
   # 计算结果取绝对值后归一化到0-255之间
       abs_laplacian = np.absolute(laplacian)
       laplacian_8u = np.uint8(cv2.normalize(abs_laplacian, None, 0, 255, cv2.NORM_MINMAX))
   
   # 根据阈值将结果二值化
       _, thresholded = cv2.threshold(laplacian_8u, 50, 255, cv2.THRESH_BINARY)
   # 找到二值化图像中的轮廓
       contours, _ = cv2.findContours(thresholded, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
   # 将轮廓画在原图上
       contour_image = cv2.merge((image, image, image))
       cv2.drawContours(contour_image, contours, -1, (0, 0, 255), 1)
   
       cv2.imwrite(f'./{save}/{name}_laplaci.png', contour_image)
   
       cv2.imshow('contour', contour_image)
       cv2.waitKey()
       cv2.destroyAllWindows()