在笔记十四中，我们使用了Sobel算子对图像进行边缘检测，理论依据是像素变化最快的地方最有可能是边缘处，所以使用sobel算子对图像做微分，得到的结果图像当中灰度较大的区域，即为边缘处。
在这里，我们使用Laplace算子来做边缘检测，也是类似的道理，只不过换成了二阶微分，在一阶微分的极大值的地方，二阶微分为零。我们以二阶微分为零的区域作为边缘。当然了一阶微分极小值的地方，即图像变化很慢很慢的地方，二阶微分也可能为零。所以我们还需要进行额外的滤波。
在理论上是这样，但是在实现上，OpenCV使用了类似sobel算子的方法，并且在Laplace算子的运用中，一行二阶微分和列二阶微分的加法结合在一起，用一个kernel计算完毕。
先看看OpenCV当中运用Laplace算子的函数：
void cv::Laplacian( InputArray _src, OutputArray _dst, int ddepth, int ksize, double scale, double delta, int borderType )
使用方式和Sobel相似。
部分实现代码如下：
1 if( ksize == 1 || ksize == 3 ) 2 { 3 float K[2][9] = 4 { { 0, 1, 0, 1, -4, 1, 0, 1, 0}, 5 { 2, 0, 2, 0, -8, 0, 2, 0, 2}}; 6 Mat kernel(3, 3, CV_32F, K[ksize == 3]); 7 if( scale != 1 ) 8 kernel *= scale; 9 filter2D( src, dst, ddepth, kernel, Point(-1,-1), delta, borderType );10 }
OpenCV中使用Laplacian的例子：
1 int main( int, char** argv ) 2 { 3 4 Mat src, src_gray, dst; 5 int kernel_size = 3; 6 int scale = 1; 7 int delta = 0; 8 int ddepth = CV_16S; 9 const char* window_name = "Laplace Demo";10 11 /// Load an image12 src = imread( argv[1] );13 14 if( !src.data )15 { return -1; }16 17 /// Remove noise by blurring with a Gaussian filter18 GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT );19 20 /// Convert the image to grayscale21 cvtColor( src, src_gray, COLOR_RGB2GRAY );22 23 /// Create window24 namedWindow( window_name, WINDOW_AUTOSIZE );25 26 /// Apply Laplace function27 Mat abs_dst;28 29 Laplacian( src_gray, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT );30 convertScaleAbs( dst, abs_dst );31 32 /// Show what you got33 imshow( window_name, abs_dst );34 35 waitKey(0);36 37 return 0;38 }