python 图像处理 拉普拉斯算子的实现和改进-LoG和DoG算子_用python编程对图像用如下拉普拉斯算子进行空间滤波和增强

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

plt.imshow(src)
plt.axis('off')
plt.title('Offical')

kernel = np.array([[-1, -1, -1],
                   [2, 2, 2],
                   [-1, -1, -1]])
horizontal_edge = cv2.filter2D(src, cv2.CV_32F, kernel)
horizontal_edge = cv2.convertScaleAbs(horizontal_edge)
# \_, horizontal\_edge = cv2.threshold(horizontal\_edge, horizontal\_edge.max() \* 0.8, 255, cv2.THRESH\_BINARY)

plt.subplot(3, 2, 2)
plt.imshow(horizontal_edge)
plt.axis('off')
plt.title('horizontal\_edge')

kernel = np.array([[-1, 2, -1],
                   [-1, 2, -1],
                   [-1, 2, -1]])
vertical_edge = cv2.filter2D(src, ddepth=cv2.CV_32F, kernel=kernel)
vertical_edge = cv2.convertScaleAbs(vertical_edge)
# \_, vertical\_edge = cv2.threshold(vertical\_edge, vertical\_edge.max() \* 0.8, 255, cv2.THRESH\_BINARY)

plt.subplot(3, 2, 3)
plt.imshow(vertical_edge)
plt.axis('off')
plt.title('vertical\_edge')

kernel = np.array([[-1, -1, 2],
                   [-1, 2