这个用例主要介绍利用三种算法对含有blob的图像进行检測。blob 或者叫斑点，就是在一幅图像上，暗背景上的亮区域。或者亮背景上的暗区域，都能够称为blob。
主要利用blob与背景之间的对照度来进行检測。
这个用例介绍了三种算法;
Laplacian of Gaussian (LoG)
这是速度最慢，可是最准确的一种算法。简单来说，就是对一幅图先进行一系列不同尺度的高斯滤波，然后对滤波后的图像做Laplacian运算。将全部的图像进行叠加。局部最大值就是所要检測的blob，这个算法对于大的blob检測会非常慢，还有就是该算法适合于检測暗背景下的亮blob。
Difference of Gaussian (DoG)
这是LoG算法的一种高速近似，对图像进行高斯滤波之后，不做Laplacian运算，直接做减法。相减后的图做叠加。找到局部最大值，这个算法的缺陷与LoG相似。
Determinant of Hessian (DoH)
这是最快的一种算法，不须要做多尺度的高斯滤波，运算速度自然提升非常多，这个算法对暗背景上的亮blob或者亮背景上的暗blob都能检測。
缺点是小尺寸的blob检測不准确。
P.S. LoG 和 DoG 假设想检測亮背景上的暗blob，能够将图像做反相，这样亮背景就变成了暗背景，而暗blob就变成了亮blob，然后就能够用这两个算法了，检測完之后再反回来就好了。
from matplotlib import pyplot as plt
from skimage import data
from skimage.feature import blob_dog, blob_log, blob_doh
from math import sqrt
from skimage.color import rgb2gray
image = data.hubble_deep_field()[0:500, 0:500]
image_gray = rgb2gray(image)
plt.imshow(image)
blobs_log = blob_log(image_gray, max_sigma=30, num_sigma=10, threshold=.1)
# Compute radii in the 3rd column.
blobs_log[:, 2] = blobs_log[:, 2] * sqrt(2)
blobs_dog = blob_dog(image_gray, max_sigma=30, threshold=.1)
blobs_dog[:, 2] = blobs_dog[:, 2] * sqrt(2)
blobs_doh = blob_doh(image_gray, max_sigma=30, threshold=.01)
blobs_list = [blobs_log, blobs_dog, blobs_doh]
colors = ['yellow', 'lime', 'red']
titles = ['Laplacian of Gaussian', 'Difference of Gaussian',
'Determinant of Hessian']
sequence = zip(blobs_list, colors, titles)
fig,axes = plt.subplots(1, 3, sharex=True, sharey=True, subplot_kw={'adjustable':'box-forced'})
axes = axes.ravel()
for blobs, color, title in sequence:
ax = axes[0]
axes = axes[1:]
ax.set_title(title)
ax.imshow(image, interpolation='nearest')
for blob in blobs:
y, x, r = blob
c = plt.Circle((x, y), r, color=color, linewidth=2, fill=False)
ax.add_patch(c)
plt.show()參考来源： http://scikit-image.org/docs/dev/auto_examples/
原图：
效果图：
