THESE/codes/snake/basic_code/ImageDerivatives2D.m

   1 function J=ImageDerivatives2D(I,sigma,type)\r
   2 % Gaussian based image derivatives\r
   3 %\r
   4 %  J=ImageDerivatives2D(I,sigma,type)\r
   5 %\r
   6 % inputs,\r
   7 %   I : The 2D image\r
   8 %   sigma : Gaussian Sigma\r
   9 %   type : 'x', 'y', 'xx', 'xy', 'yy'\r
  10 %\r
  11 % outputs,\r
  12 %   J : The image derivative\r
  13 %\r
  14 % Function is written by D.Kroon University of Twente (July 2010)\r
  15 \r
  16 % Make derivatives kernels\r
  17 [x,y]=ndgrid(floor(-3*sigma):ceil(3*sigma),floor(-3*sigma):ceil(3*sigma));\r
  18 \r
  19 switch(type)\r
  20     case 'x'\r
  21         DGauss=-(x./(2*pi*sigma^4)).*exp(-(x.^2+y.^2)/(2*sigma^2));\r
  22     case 'y'\r
  23         DGauss=-(y./(2*pi*sigma^4)).*exp(-(x.^2+y.^2)/(2*sigma^2));\r
  24     case 'xx'\r
  25         DGauss = 1/(2*pi*sigma^4) * (x.^2/sigma^2 - 1) .* exp(-(x.^2 + y.^2)/(2*sigma^2));\r
  26     case {'xy','yx'}\r
  27         DGauss = 1/(2*pi*sigma^6) * (x .* y)           .* exp(-(x.^2 + y.^2)/(2*sigma^2));\r
  28     case 'yy'\r
  29         DGauss = 1/(2*pi*sigma^4) * (y.^2/sigma^2 - 1) .* exp(-(x.^2 + y.^2)/(2*sigma^2));\r
  30 end\r
  31 \r
  32 J = imfilter(I,DGauss,'conv','symmetric');\r