在图像处理中，通过当前位置的邻域像素计算新的像素值是很常见的操作。当邻域包含图像的上几行和下几行时，就需要同时扫描图像的若干行，这就是图像的邻域操作了。至于模板操作是实现空间滤波的基础，通常是使用一个模板（一个的矩形）滑过整幅图像产生新的像素。下面介绍通过使用OpenCV2实现Laplace算子锐化图像，来介绍OpenCV2中对邻域和模板的操作。

锐化处理主要的目的是突出灰度的过渡部分，通常由微分来定义和实现锐化算子的各种方法。Laplace算子是最贱的各向同性微分算子，常用的Laplace模板如下：

使用Laplace算子锐化图像时需要注意模板中心的系数，如果中心系数是负的，就需要将原图像减去经过Laplace算子处理后的图像，得到锐化后的结果。如果中心系数是正的，则相反。

锐化图像时不能以In-Place的方式来完成，需要提供一个输出图像。在对图像遍历时使用两个3个指针：一个指向当前行，一个指向当前行的上一行，一个指向当前行的下一行。而且，由于每个像素值的计算都需要它的上下左右四个相邻像素，所以无法对图像的边界进行计算，需要另作处理。具体实现代码如下：

   1:  /*

   2:      0    -1    0

   3:      -1    4    -1

   4:      0    -1    0

   5:  */

   6:  void sharpen(const Mat & image,Mat & result)

   7:  {

   8:      CV_Assert(image.depth() == CV_8U);

   9:   

  10:      result.create(image.size(),image.type());

  11:   

  12:      const int channels = image.channels() ;

  13:      for(int j = 1 ;j < image.rows - 1 ; j ++){

  14:          const uchar * previous = image.ptr<const uchar>(j - 1) ; // 当前行的上一行

  15:          const uchar * current = image.ptr<const uchar>(j) ; //当前行

  16:          const uchar * next = image.ptr<const uchar>(j + 1) ; //当前行的下一行

  17:   

  18:          uchar * output = result.ptr<uchar>(j) ;  // 输出行

  19:          for(int i = channels ; i < channels * (image.cols - 1) ; i ++) {

  20:              * output ++ = saturate_cast<uchar>( 4 * current[i] - previous[i] - next[i] - current[i - channels] - current[ i + channels]) ;

  21:          }

  22:      }

  23:   

  24:      //对图像边界进行处理

  25:      //边界像素设置为0

  26:      result.row(0).setTo(Scalar(0));

  27:      result.row(result.rows-1).setTo(Scalar(0)) ;

  28:      result.col(0).setTo(Scalar(0));

  29:      result.col(result.cols-1).setTo(Scalar(0));

  30:  }

这里使用指针遍历整个图像，使用三个指针同时扫描图像的三行，另外使用一个指针指向输出行。在计算输出像素时，使用模板函数saturate_cast<uchar>对计算结果进行调整。这是因为对像素值的计算有可能导致结果超出了像素允许的范围，即小于0或者大于255，当计算结果是浮点数时，该函数会将结果取整至最近的整数。

由于边界的像素没有完整的邻域，无法使用模板计算其值，需要单独处理。这里只是简单的将其值设为0.

测试代码：

   1:      Mat image = imread("d:\\lenna.jpg") ;

   2:      Mat result ;

   3:      sharpen(image,result) ;

   4:      imwrite("d:\\lenna1.jpg",result) ;

   5:      imwrite("d:\\lenna2.jpg",image + result) ;

结果如下：

这里需要说明，在OpenCV2中对Mat进行了大量的运算符重载，例如上面，两幅图像相加直接使用image + result即可。另外，如位操作符:&,|,^,~；函数max,min,abs；比较操作符：<,<=,>,>=，比较操作符返回一个8位二进制图像。另外矩阵乘法m1 * m2,矩阵求逆 m1.inv(),矩阵转置m.t(),举证的行列式m.determinate()，向量的模v.norm(),向量叉乘v.corss(v1),向量的点乘v.dot(v1)等。

由于使用模板实现空间滤波在图像处理中非常的常用，在OpenCV中专门定义了一个特殊的函数来完成该处理：
filter2D.

函数原型：

   1:  void filter2D(InputArray src, OutputArray dst, int ddepth, InputArray kernel, Point anchor=Point(-1,-1), double delta=0, int borderType=BORDER_DEFAULT )

<style type="text/css"> .csharpcode, .csharpcode pre { font-size: small; color: black; font-family: consolas, "Courier New", courier, monospace; background-color: #ffffff; /*white-space: pre;*/ } .csharpcode pre { margin: 0em; } .csharpcode .rem { color: #008000; } .csharpcode .kwrd { color: #0000ff; } .csharpcode .str { color: #006080; } .csharpcode .op { color: #0000c0; } .csharpcode .preproc { color: #cc6633; } .csharpcode .asp { background-color: #ffff00; } .csharpcode .html { color: #800000; } .csharpcode .attr { color: #ff0000; } .csharpcode .alt { background-color: #f4f4f4; width: 100%; margin: 0em; } .csharpcode .lnum { color: #606060; }</style>参数：
src,输入图像
dst 输出图像，和输入图像有相同的大小和通道
ddepth 输出图像的depth,如果为负数，则和输入图像的depth相同
kernel 模板
anchor 进行卷积运算的中心位置，默认的是kernel的中心
delta 可选值，加到输出像素上的值
bordertype 对输出图像边界的处理。

使用filter2D实现Laplace算子

   1:      Mat kern = (Mat_<char> (3,3) << 1,1,1,

   2:                                      1,-8,1,

   3:                                      1,1,1) ;

   4:      filter2D(image,result,image.depth(),kern) ;

这里只需要定义好kernel调用filter2D即可，而且OpenCV对该函数进行了优化，其效率要比上面使用指针实现的要高。