sk_dog — 2D `edges` op

• Datenarten: image → image

• Aufruf: fullseye.apply(img, "sk_dog", a=0.5, b=0.5) (das 2-D-Modell ist ein Bild plus zwei skalare Regler a,b∈[0,1])

• HALCON-Äquivalent: diff_of_gauss (Bedeutung und Parameter sind in der HALCON-Referenz nachzulesen)

Verwendung

DoG-Filter (Difference of Gaussians, Gauß-Differenz). Bildet die Differenz zweier mit unterschiedlichem σ geglätteter Bilder und erhält dadurch kostengünstig eine Bandpassantwort, die dem LoG (Laplacian of Gaussian) nahekommt (Kanten-/Blob-Erkennung, die nur ein bestimmtes Ortsfrequenzband hervorhebt).

> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.

HALCON の diff_of_gauss(Approximate the LoG operator.)に相当。実装は `filters.difference_of_gaussians(v, 1.0, 1.0+3.0*a)` の絶対値を正規化したもの —— 小さい方の σ は 1.0 に固定し、a は大きい方の σ を 1.0〜4.0 に振る(σ の比が広がるほど検出する構造のスケール帯が広がる)。b は未使用。

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie gallery2d_edges

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• gallery2d_edges — py -3.11 examples/gallery2d_edges.py

Typkompatible Folge-Operatoren (nehmen `image` als Eingabe)

identity · gaussian · mean_box · bilateral · unsharp · median · min_filter · max_filter

Gleiche Kategorie (`edges`)

sobel_mag · prewitt_mag · roberts_mag · dog · grad_dir · log · corner_response · sk_scharr

*Provenance: ops.py — 2D Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

sk_dog — 2D edges op