DIP 数字图像处理2：探讨不同西格玛对LoG算法的影响

---

DIP 数字图像处理：探讨不同西格玛对LoG算法的影响

• LoG:高斯函数的拉普拉斯变换；
• 用于求图像边缘；
• 结构元的大小应该是奇数保证有中心点；

1. 实验题目：

鉴于LoG算法在历史中的地位，进行较深入的实验研究探讨不同σ（西格玛）对LoG 算法的影响。
1)取σ =1.2然后求零交叉的结果；
2)取σ =2.8的然后求零交叉的结果；
3)讨论和结论：零交叉对σ的依赖性；

2. 实验环境：

win10 + Python3.7 + OpenCV4.1

3. 实验步骤：

3.1 将原始图片转为灰度图，高斯降噪；
3.2 构造LoG算子（根据sigma和kernel大小）；
3.3 灰度图与LoG算子计算卷积；
3.4 找零交叉点，确定边缘；

4. 实验结果：

4.1 设置sigma = 1.2, kernel size = (9, 9)时，零交叉的结果如下：

4.2 设置sigma = 2.8, kernel size = (17, 17)时，零交叉的结果如下：

4.3 设置sigma = 5, kernel size = (31, 31)时，零交叉的结果如下：

4.4 设置sigma = 10, kernel size = (61, 61)时，零交叉的结果如下：

5. 实验结果分析：

5.1 从实验的效果可以看出，随着sigma的增大，得到的边缘尺度越来越大，边缘细节原来越不明显，显得更加粗略。
5.2 重点理解：二阶的交叉零点处的值，就是一阶的极大值，即边缘。二维高斯函数的拉普拉斯变换是二阶微分。

6. 所有程序代码：

#! -*- coding: utf-8 -*-
# py37
# 时间:2019年4月28日21:46:42
# DIP第三次作业：二阶微分增强作业（分析LoG算子）

import cv2
from scipy import signal
import numpy as np


def createLoGKernel(sigma, size):  # 创建核（结构元）
    """
    :param sigma: 浮点型 
    :param size: 整型，且为两个奇数
    :return: 矩阵，log算子
    """
    H, W = size
    r, c = np.mgrid[0:H:1, 0:W:1]
    r -= int((H-1)/2)
    c -= int((W-1)/2)
    sigma2 = pow(sigma, 2.0)
    norm2 = np.power(r, 2.0) + np.power(c, 2.0)

    LoGKernel = (norm2 / sigma2 - 2) * np.exp(- norm2 / (2 * sigma2))
    return LoGKernel


def LoG(image, sigma, size, _boundary="symm"):
    """
    :param image: 矩阵 灰度图
    :param sigma: 浮点型 sigma
    :param size: 整型 结构元
    :param _boundary: 字符串 提供给 scipy 卷积的边界扩充类型 ，scipy 中的“symm”， 和opecv中的对称那种效果完全相同。
    :return: 卷积后的矩阵（矩阵中有正有负）
    """
    loGkernel = createLoGKernel(sigma, size)
    img_conv_log = signal.convolve2d(image, loGkernel, 'same', boundary=_boundary)
    return img_conv_log


if __name__ == "__main__":
    fileName = "Chapter3_1.pgm"  # 作业图片
    image = cv2.imread(fileName)
    image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)  # 转成灰度图
    image = cv2.GaussianBlur(image, (5, 5), 0.05)  # 平滑去燥

    sigma = 1.2  # 调参
    size = int(6*sigma + 1)
    if size % 2 == 0:  # size  只能取奇数，保证有中心点
        size = size + 1
    print(size)
    img_con_log = LoG(image, sigma, (size, size), 'symm')

    # 找零交叉并二值化
    edge_binary = np.copy(img_con_log)
    edge_binary[edge_binary > 0] = 255
    edge_binary[edge_binary < 0] = 0
    edge_binary = edge_binary.astype(np.uint8)  # 数据类型转为整型

    # 显示边缘检测后的图片
    cv2.imshow("edge_binary", edge_binary)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    print("THE END")

THE END