二階微分運算元典型的是laplace運算元，log可以看成是乙個高斯模板的拉普拉斯變換。
log最底層的原理是二階微分運算元，也就是對原始影象求二次微分的邊緣定位演算法，當使用二階微分運算元的時候，其對邊緣的響應是乙個零交叉，而且能夠判斷出高灰度方向，但二階微分對雜訊的敏感度過高，需要平滑預處理。由於雜訊點對邊緣有一定的影響，所以更好的邊緣檢測器是log運算元，它把高斯平滑濾波器和拉普拉斯銳化濾波器結合起來，先平滑掉雜訊，再進行邊緣檢測，所以效果會更好。
marr和hildreth證明了以下兩個觀點：
1.灰度變化與影象尺寸沒有關係，因此檢測需要不同尺度的運算元
2.灰度的突然變化會在一階導數中引起波峰和波谷，或者二階導數中一起零交叉
log運算元：2g
其中標準高斯函式，g(x,y)標準差δ：
g(x,y)=ex2+y22δ2
對乙個標準高斯函式（未歸一化）進行二次偏微分：
2g(x,y)=2g(x,y)x2+2g(x,y)y2=[x2+y22δ2δ4]ex2+y22δ2
log零交叉出現在x2+y2=2δ2處log函式形狀如下圖，也被叫做墨西哥草帽運算元。
**實現：
void marredge(cv::mat image, cv::mat &result, int kervalue, double delta)
} //輸出引數設定
int keroffset = kervalue / 2;
cv::mat laplacian = (cv::mat_(image.rows - 2 * keroffset, image.cols - keroffset * 2));
result = cv::mat::zeros(image.rows - 2 * keroffset, image.cols - 2 * keroffset, image.type());
double sumlaplacian;
for (int i = keroffset; i < image.rows - keroffset; i++)
}//生成拉普拉斯結果
laplacian.at(i - keroffset, j - keroffset) = sumlaplacian;
} }//過零點交叉，尋找邊緣畫素
for (int i = 1; i < result.rows - 1; i++) }
}執行結果：
邊緣檢測運算元
看了很多邊緣檢測的文章，有些不夠詳細，有些不算綜合，所以打算總結一下！以下內容均為個人理解，如有問題，望指正！首先，我想要解釋一下什麼是邊緣。通俗地講，灰度值變化劇烈的地方就是邊緣。那麼如何判斷灰度值變化？如何度量 劇烈 各類演算法給出了自己的規範或者說是原則。所以，各類運算元就跳出來了。由於各類運...
邊緣檢測運算元
sobel amp image edgeamplitude filtertype,size 根據影象的一次導數計算影象的邊緣 close edges edges,edgeimage regionresult minamplitude close edges length edges,gradient...
邊緣檢測運算元
1.sobel運算元 索貝爾 主要思想是 利用影象畫素點的上下左右的畫素點進行加權差，邊緣的差值會較大，從而得到對應的邊緣。它是一種差分性運算元，包含3 3的橫向，縱向模板，分別對影象進行卷積，得到橫座標，縱座標的亮度差分值。計算出影象亮度函式的梯度近似值。它是一種基於一階導數的邊緣運算元。優點是能...