大多數的邊緣增強算法中通常采用的數字圖像處理經常產生的圖像中增加隨機噪聲的不希望的副作用。因為它消除高頻空間細節，其可以包括隨機噪聲，所述的高斯差分算法是用于提高在嘈雜的數字圖像的邊緣是有用的。這種互動式的教程探討應用高斯算法，在顯微鏡拍攝的圖像的差異。

教程初始化與隨機選擇的樣本圖像（在顯微鏡拍攝的）出現在題為左手和中心窗試樣（1）模糊和模糊試樣（2） ，分別為。操作教程，選擇一個標本圖像從選擇的樣本下拉菜單。每個標本名稱包含在括號中的縮寫指定在獲得雇用的圖像對比度機制。以下命名法被使用：（FL）熒光; （BF）明場; （DF）暗場; （PC）相襯; （DIC），微分干涉對比（諾馬斯基）; （HMC）霍夫曼調制對比度; 和（POL）偏振光。游客會注意到，標本用光學顯微鏡的行為提供了各種技術教程圖像處理過程中不同抓獲。

模糊試樣窗口中顯示所造成的施加圖像高斯模糊到試樣的圖像。模糊效果的強度可以通過使用改變σ（1）和σ（2）的滑塊，這將影響圖像的左側和中央的窗口的外觀，分別。游客應注意的是，的值σ（1）滑塊必須小于該值σ（2）滑塊和教程將確保該狀態下，通過自動限制滑塊的移動范圍。的差分圖像（1） - （2）窗口顯示所導致減去出現在中心窗口中的圖像的圖像（模糊試樣（2） ）從包含在左側的窗口的圖像（模糊試樣（1） ）。游客應探索如何調整滑塊組合影響圖像模糊和圖像差的外觀。

高斯差是灰度圖像增強算法，涉及從另一個模糊版本的原始灰度圖像，原來的較少模糊版本的減法。模糊圖像進行卷積與具有不同標準偏差高斯核原灰度圖像獲得。模糊使用高斯核的圖像抑制僅高頻空間信息。從另一個減去一個圖像保留了被保存在兩個模糊圖像的頻率范圍之間處于空間信息。因此，高斯的差相當于一個帶通激發塊即丟棄所有，但極少數的空間頻率中存在的原始灰度圖像的。在它的操作中，高斯算法的差異被認為是模仿如何在眼睛的視網膜神經處理提取從目的地為傳輸到大腦的圖像細節。

兩個高斯曲線與不同標準偏差的橫截面積與它們的差被示于圖1中。注意如何差曲線密切類似于所述的拉普拉斯，另一種常用的邊緣增強算法。

作為圖像增強算法，高斯的差異可以用于增加在數字圖像的邊緣和其他細節本的可視性。各種各樣的替代邊緣銳化濾波器通過增強高頻細節進行操作，但由于隨機噪聲也具有高的空間頻率，許多這些銳化濾波器的傾向增強噪聲，不希望的偽影。的高斯算法的差去除高頻細節通常包括隨機噪聲，使這種方法用于與噪音的高度處理圖像*合適的一個。一個主要的缺點，以應用高斯算法的差是一個固有的減少由操作所產生的整體圖像的對比度。

采用平滑教程標本圖像高斯內核的大小表示相應的模糊圖像的下方。當用于圖像增強，高斯的算法的差通常應用于當內核的尺寸比（2）到內核（1）為4：1或5：1。該算法也可以被用來獲得的近似高斯的拉普拉斯時的比率σ（2） ，以σ（1）約等于1.6。高斯的拉普拉斯是用于檢測出現在各種圖像邊緣有用的尺度或學位圖像焦點。的精確值σ（1）和σ（2）被用來近似高斯的拉普拉斯將確定的差分圖像，這可能會顯得模糊，結果的規模。