Algorithm 高斯边缘检测的尺度拉普拉斯算子

我使用高斯拉普拉斯算子进行边缘检测，使用和中描述的组合

简单地说，我用这个等式：

for(int i = -(kernelSize/2); i<=(kernelSize/2); i++)
    {

        for(int j = -(kernelSize/2); j<=(kernelSize/2); j++)
        {

            double L_xy = -1/(Math.PI * Math.pow(sigma,4))*(1 - ((Math.pow(i,2) + Math.pow(j,2))/(2*Math.pow(sigma,2))))*Math.exp(-((Math.pow(i,2) + Math.pow(j,2))/(2*Math.pow(sigma,2))));
            L_xy*=426.3;
        }

    }

---

for（int i=-（kernelSize/2）；i查看您的图像，我假设您使用的是24位RGB。当您增加sigma时，过滤器的响应相应减弱，因此，在具有较大内核的较大图像中得到的值接近零，这些值被截断或非常接近零，以至于您的显示无法区分

要使不同比例的差异具有可比性，应使用比例空间差异运算符（Lindeberg等人）：



本质上，微分算子应用于高斯核函数（
G{\sigma}
），结果（或者卷积核；它只是一个标量乘法器）通过
\sigma^{\gamma}
进行缩放。这里
L
是输入图像，
LoG
是高斯图像的拉普拉斯函数

当微分阶数为2时，
\gamma
通常设置为2

然后你应该在两幅图像中得到非常相似的大小

资料来源：

[1] 林德伯格：“计算机视觉中的尺度空间理论”1993年

[2] Frangi et al.“多尺度血管增强滤波”1998
谢谢。是的，你是对的，这实际上是32位RGB alpha。所以，你是说我应该缩放sigma^2。你能澄清一下术语\partial^2/\partial{x_m x_n}有一点。从我的理解来看……我只需要放大高斯核？多做一点解释会有帮助。任何指向Tony Lindeberg参考的链接都将不胜感激。是的，你是对的，你只需要放大高斯核。我修改了我的答案，希望现在更清楚。