O Laplaciano da Gaussiana (LoG) é um operador avançado para detecção de bordas. Primeiramente, ele suaviza a imagem com um filtro Gaussiano. Em seguida, aplica o Laplaciano (derivada segunda) ao resultado. O LoG pode ser implementado como um único kernel. Este kernel tem formato semelhante a um “chapéu mexicano”. Por exemplo, a função LoG é circularmente simétrica. Diferentemente do gradiente, o LoG é isotrópico (invariante a rotação). Ele detecta bordas onde a resposta cruza por zero. Cruzamentos por zero ocorrem nas transições de claro para escuro. Consequentemente, o LoG produz bordas fechadas e contínuas. Portanto, ele é útil para segmentação de objetos.
fundamento matemático do operador log
O LoG combina dois operadores matemáticos distintos. Primeiramente, a Gaussiana suaviza a imagem e reduz ruídos. Sua fórmula é G(x,y) = (1/(2πσ²)) * exp(-(x²+y²)/(2σ²)). Em seguida, o Laplaciano calcula a segunda derivada. O Laplaciano é definido como ∇² = ∂²/∂x² + ∂²/∂y². Aplicando o Laplaciano à Gaussiana, obtemos o LoG. A fórmula resultante é ∇²G(x,y) = ( (x²+y²-2σ²) / (2πσ⁶) ) * exp(-(x²+y²)/(2σ²)). Este kernel tem soma zero, como esperado para derivadas. Parâmetro σ (sigma) controla a escala de detecção. Valores pequenos de σ detectam bordas finas. Valores grandes de σ detectam bordas mais grossas e difusas.
diferença de gaussianas (dog) como aproximação
A diferença de Gaussianas (DoG) aproxima eficientemente o operador LoG. A DoG é calculada subtraindo duas imagens suavizadas com σ diferentes. Especificamente, DoG = G(x,y,σ₁) – G(x,y,σ₂). Uma razão típica entre os sigmas é 1.6:1. Por exemplo, σ₂ = 1.6 * σ₁ produz boa aproximação. O detector SIFT utiliza a DoG para localizar pontos de interesse. A vantagem da DoG é a eficiência computacional. Diferentemente do LoG, ela não requer o cálculo de segundas derivadas. Consequentemente, a DoG é mais rápida e fácil de implementar. Portanto, muitos sistemas práticos usam a DoG como substituta do LoG.
quando utilizar o operador log
Utilize o LoG quando precisar de bordas fechadas e contínuas. Ele é ideal para segmentação de objetos com formas suaves. Por exemplo, células em imagens médicas ou planetas em astronomia. O LoG também é útil quando a orientação da borda não é relevante. Sua isotropia garante detecção uniforme em todas as direções. Outra aplicação é na detecção de manchas (blobs) na imagem. O LoG responde fortemente a regiões circulares de tamanho adequado. Contudo, evite o LoG em imagens com muito ruído. A derivada segunda amplifica significativamente as altas frequências. Portanto, pré-suavize a imagem ou use um σ maior. Em sistemas de tempo real, prefira operadores mais rápidos como Sobel ou Canny.