H=[0 -1 0 -1 5 -1 0 -1 0];
J=conv2(I,H,'same'); subplot(1,2,2); imshow(J,[]);
title('拉普拉斯算子增强图像'); (2) Sobel算子
[I,map]=imread('D:\\图片\\摄影作品\\伤感.jpg '); [H,W]=size(I); M=double(I); J=M; for i=2:H-1 for j=2:W-1
J(i,j)=abs(M(i-1,j+1)-M(i-1,j-1)+2*M(i,j+1)-2*M(i,j-1)+M(i+1,j+1)-M(i+1,j-1))+abs(M(i-1,j-1)-M(i+1,j-1)+2*M(i-1,j)-2*M(i+1,j)+M(i-1,j+1)-M(i+1,j+1)); end; end;
subplot(1,2,1);imshow(I);title('原图');
subplot(1,2,2);imshow(uint8(J));title('Sobel 处理后'); 四、拉普拉斯算子处理： （1）车轮图片拉氏处理结果：
（2）Sobel算子锐化结果：
五、结论
laplace算子是与方向无光的各向同性边缘检测算子,若只关心边缘点的位置而不顾其周围的实际灰度差时,一般选择该算子进行检测。
特点:各向同性,线性和位移是不变的,对线性和孤立点检测效果好,但边缘方向信息丢失,常产生双像素的边缘,对噪声有双倍的加强作用。
sobel算子在prewitt算子基础上能检测边缘点，且能进一步抑制噪声的影响，但检测的边缘较宽。梯度算子和laplacian算子都对噪声敏感，因此一般用它们检测边缘前要先对图像进行平滑。
本文主要研究了基于微分运算中的拉氏算子的图像锐化处理，并讨论了在不
同拉氏算子下图像锐化处理效果的不同。通过以上的实验分析，我们可以得出：基于拉氏算子的图像锐化具有较好的锐化效果，并且不同的模版对图像锐化的效果不同，我们可以根据实际需要来选择不同的模版。如果一片暗区中出现了一个亮点，那么锐化处理的结果是这个亮点变得更亮，即拉普拉斯锐化过程可以减少图象的模糊程度，加强图像的细节和轮廓，使图像的细节比原始图像像更加清晰，所以锐化在边缘检测中很有用。但是，它也有.不理想的一面即锐化处理在增强图像边缘的同时也增加了图像的噪声。