在这个 OpenCV 示例中，我们使用拉普拉斯算子来增强图像的边缘。下面是整个流程的描述以及相应的公式：
1. 读取图像
首先，我们从文件中读取输入图像，并确保它成功打开。
Mat image = imread("path_to_image", IMREAD_GRAYSCALE);
公式:
- 无公式，只是读取原始灰度图像 ( I(x, y) )。
2. 应用拉普拉斯算子
接下来，我们对原始图像应用拉普拉斯算子，以获取其二阶导数，提取出图像中的高频信息（即边缘）。
Laplacian(image, laplacianImage, CV_16S, 3);
公式:
- 拉普拉斯变换： [ L(x, y) = \nabla^2 I(x, y) ] 其中 ( L(x, y) ) 是经过拉普拉斯算子的输出。
3. 转换为可显示格式
由于处理后的图像可能为负值或超出8位无符号整数范围，因此我们需要将其转换为合适的格式以便于显示。
convertScaleAbs(laplacianImage, absLaplacianImage);
公式:
- 转换操作可以表示为： [ A(x, y) = |L(x, y)| ] 这里 ( A(x,y) ) 是绝对值后的拉普拉斯响应，使得所有值均为正。
4. 增强高频部分
通过将原始图像与增强后的边缘信息相加，我们实现了边缘增强效果。
addWeighted(image, 1.0, absLaplacianImage, 0.1, 0, enhancedImage);
公式:
- 最终增强的图像可以表达为： [ E(x,y) = I(x,y) + k \cdot A(x,y) ] 其中 ( E(x,y) ) 是增强后的图像，( k ) 是控制增强程度的权重（在此例中为0.1）。
5. 显示结果
最后，通过窗口展示原始、拉普拉斯变换和增强后的三幅图像。
imshow("Original Image", image);
imshow("Laplacian Image", absLaplacianImage);
imshow("Enhanced Image", enhancedImage);
waitKey(0); // 等待按键
整体流程总结如下：
输入：
- 原始灰度图像 ( I(x,y) )
计算：
- 拉普拉斯运算获得高频特征 ( L(x,y))
- 对其取绝对值得到 ( A(x,y))
增强：
- 合成最终结果 ( E(x,y))
输出：
- 展示原始图片、边缘检测结果和增强后的图片。
这个过程有效地提高了边缘在视觉上的突出程度，有助于后续分析和处理。
内容由零声教学AI助手提供，问题来源于学员提问
