奥林巴斯显微镜高斯边缘增强算法的区别

大多数的边缘增强算法中通常采用的数字图像处理经常产生的图像中增加随机噪声的不希望的副作用。因为它消除高频空间细节，其可以包括随机噪声，所述的高斯差分算法是用于提高在嘈杂的数字图像的边缘是有用的。这种互动式的教程探讨应用高斯算法，在显微镜拍摄的图像的差异。

教程初始化与随机选择的样本图像（在显微镜拍摄的）出现在题为左手和中心窗试样（1）模糊和模糊试样（2） ，分别为。操作教程，选择一个标本图像从选择的样本下拉菜单。每个标本名称包含在括号中的缩写指定在获得雇用的图像对比度机制。以下命名法被使用：（FL）荧光; （BF）明场; （DF）暗场; （PC）相衬; （DIC），微分干涉对比（诺马斯基）; （HMC）霍夫曼调制对比度; 和（POL）偏振光。游客会注意到，标本用光学显微镜的行为提供了各种技术教程图像处理过程中不同抓获。

模糊试样窗口中显示所造成的施加图像高斯模糊到试样的图像。模糊效果的强度可以通过使用改变σ（1）和σ（2）的滑块，这将影响图像的左侧和的窗口的外观，分别。游客应注意的是，的值σ（1）滑块必须小于该值σ（2）滑块和教程将确保该状态下，通过自动限制滑块的移动范围。的差分图像（1） - （2）窗口显示所导致减去出现在中心窗口中的图像的图像（模糊试样（2） ）从包含在左侧的窗口的图像（模糊试样（1） ）。游客应探索如何调整滑块组合影响图像模糊和图像差的外观。

高斯差是灰度图像增强算法，涉及从另一个模糊版本的原始灰度图像，原来的较少模糊版本的减法。模糊图像进行卷积与具有不同标准偏差高斯核原灰度图像获得。模糊使用高斯核的图像抑制仅高频空间信息。从另一个减去一个图像保留了被保存在两个模糊图像的频率范围之间处于空间信息。因此，高斯的差相当于一个带通激发块即丢弃所有，但极少数的空间频率中存在的原始灰度图像的。在它的操作中，高斯算法的差异被认为是模仿如何在眼睛的视网膜神经处理提取从目的地为传输到大脑的图像细节。

两个高斯曲线与不同标准偏差的横截面积与它们的差被示于图1中。注意如何差曲线密切类似于所述的拉普拉斯，另一种常用的边缘增强算法。

作为图像增强算法，高斯的差异可以用于增加在数字图像的边缘和其他细节本的可视性。各种各样的替代边缘锐化滤波器通过增强高频细节进行操作，但由于随机噪声也具有高的空间频率，许多这些锐化滤波器的倾向增强噪声，不希望的伪影。的高斯算法的差去除高频细节通常包括随机噪声，使这种方法用于与噪音的高度处理图像*合适的一个。一个主要的缺点，以应用高斯算法的差是一个固有的减少由操作所产生的整体图像的对比度。

采用平滑教程标本图像高斯内核的大小表示相应的模糊图像的下方。当用于图像增强，高斯的算法的差通常应用于当内核的尺寸比（2）到内核（1）为4：1或5：1。该算法也可以被用来获得的近似高斯的拉普拉斯时的比率σ（2） ，以σ（1）约等于1.6。高斯的拉普拉斯是用于检测出现在各种图像边缘有用的尺度或学位图像焦点。的精确值σ（1）和σ（2）被用来近似高斯的拉普拉斯将确定的差分图像，这可能会显得模糊，结果的规模。