❶ 妹子學C語言傷不起啊，求看這段拉普拉斯代碼怎麼運行
你直接用這個式子就可以了，輸出的圖像已經經過處理了
outimage[i][j]=-(inimage[i-1][j]+inimage[i][j+1]+inimage[i+1][j]+inimage[i][j-1])+5*inimage[i][j];
其實matlab裡面有現成內的函數可用，數字圖像處理容用它最方便了
❷ 求MATLAB代碼
我只能說，這種限定行數的東西很疼。
再說句不好聽的，多一些空行，代碼一行拆成兩行寫，多一些注釋，再牛一點把一些MATLAB自帶的函數用循環再實現一次，這樣的話，幾百行的代碼肯定可以干到1200行。
❸ 求 軟摳圖法摳圖修復的matlab代碼，要運用到拉普拉斯摳圖矩陣
代碼來自A closed form solution to Natural Image Matting
A. Levin D. Lischinski and Y. Weiss
求Matting Laplacian矩陣L代碼：
function [A,A1]=getLaplacian1(I,consts,epsilon,win_size)
if (~exist('epsilon','var'))
epsilon=0.0000001;
end
if (isempty(epsilon))
epsilon=0.0000001;
end
if (~exist('win_size','var'))
win_size=1;
end
if (isempty(win_size))
win_size=1;
end
neb_size=(win_size*2+1)^2;
[h,w,c]=size(I);
n=h; m=w;
img_size=w*h;
consts=imerode(consts,ones(win_size*2+1));
indsM=reshape([1:img_size],h,w);
tlen=sum(sum(1-consts(win_size+1:end-win_size,win_size+1:end-win_size)))*(neb_size^2);
row_inds=zeros(tlen ,1);
col_inds=zeros(tlen,1);
vals=zeros(tlen,1);
len=0;
for j=1+win_size:w-win_size
for i=win_size+1:h-win_size
if (consts(i,j))
continue
end
win_inds=indsM(i-win_size:i+win_size,j-win_size:j+win_size);
win_inds=win_inds(:);
winI=I(i-win_size:i+win_size,j-win_size:j+win_size,:);
winI=reshape(winI,neb_size,c);
win_mu=mean(winI,1)';
win_var=inv(winI'*winI/neb_size-win_mu*win_mu' +epsilon/neb_size*eye(c));
winI=winI-repmat(win_mu',neb_size,1);
tvals=(1+winI*win_var*winI')/neb_size;
row_inds(1+len:neb_size^2+len)=reshape(repmat(win_inds,1,neb_size),...
neb_size^2,1);
col_inds(1+len:neb_size^2+len)=reshape(repmat(win_inds',neb_size,1),...
neb_size^2,1);
vals(1+len:neb_size^2+len)=tvals(:);
len=len+neb_size^2;
end
end
vals=vals(1:len);
row_inds=row_inds(1:len);
col_inds=col_inds(1:len);
A=sparse(row_inds,col_inds,vals,img_size,img_size);
sumA=sum(A,2);
A=spdiags(sumA(:),0,img_size,img_size)-A;
return
❹ 怎麼在MATLAB中用有限元法求拉普拉斯運算元的特徵值！！
首先構造出矩陣，然後用eig函數就可以求特徵值和特徵矢量。
❺ OpenCV-Python之——圖像SIFT特徵提取
在一定的范圍內，無論物體是大還是小，人眼都可以分辨出來。然而計算機要有相同的能力卻不是那麼的容易，在未知的場景中，計算機視覺並不能提供物體的尺度大小，其中的一種方法是把物體不同尺度下的圖像都提供給機器，讓機器能夠對物體在不同的尺度下有一個統一的認知。在建立統一認知的過程中，要考慮的就是在圖像在不同的尺度下都旅彎喚存在的特徵點。
在早期圖像的多尺度通常使用圖像金字塔表示形式。圖像金字塔是同一圖像在不同的解析度下得到的一組結果其生成過程一般包括兩個步驟：
多解析度的圖像金字塔雖然生成簡單，但其本質是降采樣，圖像的局部特徵則難以保持，也就是無法保持特徵的尺度不變性。
我們還可以通過圖像的模糊程度來模擬人在距離物體由遠到近時物體在視拆凱網膜上成像過程，距離物體越近其尺寸越大圖像也越模糊，這就是高斯尺度空間，使用不同的參數模糊圖像（解析度不變），是尺度空間的另一種表現形式。
構建尺度空間的目的是為了檢測出在不同的尺度下都存在的特徵點，而檢測特徵點較好的運算元是Δ^2G(高斯拉普拉斯，LoG)
使用LoG雖然能較好的檢測到圖像中的特徵點，但是其運算量過大，通常可使用DoG（差分高斯，Difference of Gaussina）來近似計算LoG。
從上式可以知道，將相鄰的兩個高斯空間的圖像相減就得到了DoG的響應圖像。為了得到DoG圖像，先要構建高斯尺度空間，而高斯的尺度空間可以在圖像金字塔降采樣的基礎上加上高斯濾波得到，也就是對圖像金字塔的每層圖像使用不同的參數σ進行高斯模糊，使每層金字塔有多張高斯模糊過的圖像。
如下圖，octave間是降采樣關系，且octave(i+1)的第一張（從下往上數）圖像是由octave(i)中德倒數第三張圖像降采樣得到。octave內的圖像大小一樣，只是高斯模糊使用的尺度參數不同。
對於一幅圖像，建立其在不同尺度scale下的圖像，也稱為octave，這是為了scale-invariant，也就是在任何尺度都能有對應的特徵點。下圖中右側的DoG就是我們構建的尺度空間。
為了尋找尺度空間的極值點，每一個采樣點要和它所有的相鄰點比較，看其是否比它的圖像域和尺度域的相鄰點大或者小。如圖所示，中間的檢測點和它同尺度的8個相鄰點和上下相鄰尺度對應的9×2個點共26個點比較，以確保在尺度空間和二維圖像空間都檢測到極值點。 一個點如果在DOG尺度空間本層以及上下兩層的26個領域中是最大或最小值時，就認為該點是圖像在該尺度下的一個特徵點。下圖中將叉號點要比較的26個點都標為了綠色。
找到所有特徵點後， 要去除低對比鬧粗度和不穩定的邊緣效應的點 ，留下具有代表性的關鍵點（比如，正方形旋轉後變為菱形，如果用邊緣做識別，4條邊就完全不一樣，就會錯誤；如果用角點識別，則穩定一些）。去除這些點的好處是增強匹配的抗噪能力和穩定性。最後，對離散的點做曲線擬合，得到精確的關鍵點的位置和尺度信息。
近來不斷有人改進，其中最著名的有 SURF（計算量小，運算速度快，提取的特徵點幾乎與SIFT相同）和 CSIFT（彩色尺度特徵不變變換，顧名思義，可以解決基於彩色圖像的SIFT問題）。
其中sift.detectAndCompute()函數返回kp，des。
上圖dog的shape為(481, 500, 3)，提取的特徵向量des的shape為(501, 128)，501個128維的特徵點。
該方法可以在特徵點處繪制一個小圓圈。
https://blog.csdn.net/happyer88/article/details/45817305
https://www.jianshu.com/p/d94e558ebe26
https://www.cnblogs.com/wangguchangqing/p/4853263.html
❻ 在matlab軟體中用拉普拉斯運算元和canny運算元進行邊緣檢測的程序
i=imread('1.jpg'); 讀入圖像1
i1=rgb2gray(i); 把rgb圖像轉換成灰度圖像
bw1=edge(i1,'log',0.07); 做閾值為0.07的高斯—拉普拉斯（Log）演算法
figure(3),imshow(i); 顯示原圖
figure(4),imshow(bw1); 顯示高斯—拉普拉斯（Log）邊緣檢測後的圖
❼ 哪位大神知道laplace變換和逆laplace變換的C++/C的演算法么，小弟急求啊....希望大神不吝賜教啊...
拉普拉斯c語言程序
double uniform(double a,double b,signed int seed)
{
double t;
seed=2045*seed+1;
seed=seed-(seed/1048576)*1048576;
t=(seed)/1048576.0;
t=a+(b-a)*t;
return(t);
}
/*******************************************************************
* 拉普拉斯隨機分布
* beta--拉普拉斯分布的參數
* seed--隨機數種子
*******************************************************************/
double laplace(double beta,signed int seed)
{
double u1,u2,x;
u1=uniform(0.,1.,seed);
u2=uniform(0.,1.,seed);
if(u1<=0.5)
x=-beta*log(1.-u2);
else
x=beta*log(u2);
return(x);
}
❽ matlab 拉普拉斯變換
原因是，像來函數的分子階次高自於分母階次，拉氏逆變換的結果中會出現Dirac函數 dirac(t) 及其一階導函數（為一個沖擊偶，在早期Maple內核中的表示為dirac(1,t)，後來MuPad中的表示為dirac(t,1)），而比較蛋疼的是，MATLAB並未定義Dirac函數的導函數，所以繪圖會出錯。
由於Dirac函數及其導函數在除t=0之外的部分都為0，而在t=0處的值為無窮大（或負無窮），在繪圖也不好體現。所以，可以考慮避免t取0（即把t=0的點剔除），以規避繪圖出錯。
參考代碼：
T=-100:0.5:100;
T(T==0)=[];
plot(T,subs(ft,T))
不過，由於t<0時的函數為指數函數，取值范圍很大，繪圖效果不好。如果畫t=0~10之間的圖像，可以用
T=linspace(eps,10,100);
plot(T,subs(ft,T))