数字图像处理（图像增强）——拉普拉斯算子

最新推荐文章于 2025-07-07 08:49:52 发布

原创最新推荐文章于 2025-07-07 08:49:52 发布 · 置顶 · 1.8w 阅读

57 ·

CC 4.0 BY-SA版权

文章标签：

#拉普拉斯算子 #数字图像处理 #Python #图像增强

数字图像处理专栏收录该内容

1 篇文章

订阅专栏

本文介绍了数字图像处理中二阶微分的概念及其应用，详细解释了一维和二维函数的二阶微分定义，并展示了如何利用拉普拉斯算子进行图像边缘检测与细节增强。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

二阶微分

与微积分中定义的微分略有不同，数字图像中处理的是离散的值，因此对于一维函数的一阶微分的基本定义是差值：
$\frac{\partial f}{\partial x} = f(x+1) - f(x)$
类似的，二阶微分定义为：
$\frac{\partial ^2f}{\partial x^2} = f(x+1) + f(x-1) - 2f(x)$
将一维函数扩展到二维：
$\frac{\partial ^2f}{\partial x^2} = f(x+1， y) + f(x-1, y) - 2f(x, y)$
$\frac{\partial ^2f}{\partial y^2} = f(x, y+1) + f(x, y - 1) - 2f(x, y)$
二阶微分的定义保证了以下几点：

在恒定灰度区域的微分值为0
在灰度台阶或斜坡的起点处微分值非零

可以看出，二阶微分可以检测出图像的边缘、增强细节

拉普拉斯算子

希望构造一种各向同性滤波器，这种滤波器的响应与滤波器作用的图像的突变方向无关。
最简单的各向同性微分算子是拉普拉斯算子。一个二维图像函数 $f (x, y)$ 定义为：
$▽2f=∂2f∂x2+∂2f∂y2=f(x+1，y)+f(x−1,y)+f(x,y+1)+f(x,y−1)−4f(x,y)\bigtriangledown^2 f = \frac{\partial ^2f}{\partial x^2 } + \frac{\partial ^2f}{\partial y^2} = f(x+1， y) + f(x-1, y) + f(x, y+1) + f(x, y - 1) - 4f(x, y)$
实现上式的滤波器模板为：

0	1	0
1	-4	1
0	1	0

扩展的拉普拉斯算子

对角线方向上也可以类似组成，

1	1	1
1	-8	1
1	1	1

## 使用拉普拉斯算子增强图像

由于拉普拉斯算子是一种微分算子，因此强调的是图像中灰度的突变，并不强调灰度缓慢变化的区域。这将产生把浅灰色边线和突变点叠加到暗色背景中的图像。将原图像和拉普拉斯图像叠加在一起的简单方法，可以复原背景特性并保持拉普拉斯锐化处理的效果。
$c[\bigtriangledown^2 f(x, y)]$
##python 实现

def laplace2(img, sx = 1.0):
    row = numpy.zeros((1, img.shape[1]))
    img = numpy.row_stack((row, img, row))
    
    col = numpy.zeros((img.shape[0], 1))
    img = numpy.column_stack((col, img, col))

    g = numpy.array(((1, 1, 1), (1, -8, 1), (1, 1, 1)))
    g = -1 * g

    re = numpy.zeros_like(img)

    for i in range(1, img.shape[0] - 1):
        for j in range(1, img.shape[1] - 1):
            re[i, j] = (img[i-1 : i+2, j-1 : j+2] * g).sum()
    
    re = re[1:-1, 1:-1]

    return re

原图：

拉普拉斯作用后的图：
这里写图片描述
增强后的图片：