Harris算子的一个缺点是不具有尺度不变性，所以引入了另一种检测算子：高斯拉普拉斯算子。

LoG算子

       前面提到过高斯一阶导，其作用是检测边缘（边缘区域高斯一阶导数取得极值），那么对一阶导数继续求导得到二阶导数，可想而知，一阶导数的极值点就是二阶导数的0点。进而可以通过寻找二阶导数的0点（亦或是接近于0的点），去寻找图片的梯度（边缘）。

        拉普拉斯算子的表示式：

或者：

LoG曲线

对高斯函数进行二阶求导

曲线图

尺度归一化

在LoG前面加变换率，就变成了LoG归一化：

非极大值抑制

LoG检测完一块区域后，为避免后续出现重复检测，一般采用非极大值抑制方式：非极大值点置为0。

LoG的处理流程

斑点检测

        LoG取极值的点，就是要找的斑点。

        利用LoG进行滤波，得到的边缘检测图：

代码

（略）