我正在feature-detectors从这个讲义中学习，我不太了解Normalized Laplacian of Gaussian过滤后的图像。
这是原始图像：
这是讲义中呈现的输出，由高斯的归一化拉普拉斯算子过滤，：
这是我的，scipy.ndimage.filters.gaussian_laplace与一起使用：
好吧，我的输出图像与讲义中的图像完全不同。讲座输出的背景是全黑的，即使我做了一些阈值处理，我的输出仍然与讲座的不同。
此外，我注意到在讲座的输出中边缘几乎消失了，在每个检测到的斑点周围，似乎有一个环围绕着它，如下所示：
这是为什么？我用Laplacian of Gaussian错了吗？
由于缩放，您的图像很可能看起来与讲座中的图像不同。请注意，使用拉普拉斯滤波器的卷积结果将具有正值和负值。结果图像的外观取决于数组的数据类型，以及值的缩放范围。例如，如果您将过滤后的图像存储在 uint8 中，而不自己进行任何缩放，则负值将被截断为 0。
通常，当图像具有负值时，将对其进行缩放，使 0 对应于中性灰色，最小值对应于黑色，最大值对应于白色。看起来这就是您的代码中正在发生的事情。
另一方面，在这种特殊情况下，您可能对拉普拉斯算子的最大值和最小值都感兴趣（明亮的暗点和暗点的亮点），所以您不妨只取过滤后图像的绝对值。然后你不会有任何负值，这使得缩放更容易。
至于你关于边缘的问题，这正是应该发生的事情。边缘处的拉普拉斯算子值应接近于零。通过找到高斯的拉普拉斯算子的零交叉点，此属性用于非常精确的边缘定位。