图像锐化

1 、图像锐化理论 图像锐化的目的是使图像变得清晰起来，锐化主要用于增强图像的灰度跳变部分，这一点与图像平滑对灰度跳变的抑制正好相反。锐化提高图像的高频分量，增加灰度反差增强图像的边缘和轮廓，以便后期图像识别。 在图像增强过程中，常用平滑算法来消除噪声，平滑属于低通滤波，图像的能量主要集中在低频部分，噪声所在频段主要在高频部分，同时图像的边缘也集中在高频部分，这意味着图像平滑后，高频被衰减轮廓会出现模糊。图像锐化就是为了减少这种现象，通过高通滤波使图像边缘和轮廓变得清晰。 2 、一阶微分图像增强--梯度算子 其中： 梯度的方向就是函数 f(x,y) 最大变化率的方向。梯度的幅值作为最大变化率大小的度量，值为： 离散的二维函数 f(i,j) ，可以用有限差分作为梯度的一个近似值。 为了简化计算，可以用绝对值来近似。 | ▽ f(i,j)|= |f(i+1,j)-f(i,j)| +|f(i,j+1)-f(i,j)| 2.1 Robert 算子 | ▽ f(i,j)|= |f(i+1,j+1)-f(i,j)| +|f(i,j+1)-f(i+1,j)| 上面算式采用对角相差的差分法来代替微分，写为滤波模板形式为： 其中 w1 对接近 45° 的边缘有较强响应， w2 对接近 -45° 的边缘有较强响应。 imgPath = 'E:\opencv_pic\src_pic\pic6.bmp';

利用拉普拉斯算子进行图像锐化是数字图像处理里比较简单的处理手段，下面的例子参考opencv 2 computer vision application programming cookbook，采用两种方法对输入图像进行拉普拉斯锐化，原理比较简单，故不赘述了。 编译环境：VS2010+OpenCV2.3.1 编程细节： 函数的形参表中，为了防止修改输入图像image，故形参传递为 pass by conference-const ，同时函数体中 指向输入图像的指针 也必须声明为 指向const对象的指针 ，如const uchar *next = image.ptr<const uchar>(j); cv::Mat::row()返回由单行或者单列组成的特定的cv::Mat实例，cv::Scalar(a,b,c)指定每个通道的特定值； 第二种方法中，利用函数cv::filter2D()，需先创建一个核cv::Mat，并对核进行初始化。 code: 1 /*************************************************************** 2 * 3 * 内容摘要：分别用两种方法对输入图像进行拉普拉斯算子锐化，并比较 4 * 两种方法的执行效率，从运行结果来看，第二种方法的效率 5 * 更高。 6 * 作 者：刘军（Jacky Liu） 7 *

文章目录 1.噪声与imnoise函数 2.平滑滤波器 3.中值滤波器 4.自适应滤波器 5.锐化滤波器 使用空域模板进行的图像处理，称为图像的空域滤波增强，模板本身称为空域滤波器。空域滤波增强的机理就是在待处理的图像中逐点的移动模板，滤波器在该点的响应通过事先定义的滤波器系数和滤波模板扫过区域的相应像素值的关系来计算。 空域滤波器可以分为平滑滤波器、中值滤波器、自适应除噪滤波器和锐化滤波器。 1.噪声与imnoise函数 图像噪声按照其干扰源可以分为内部噪声和外部噪声。外部噪声，既指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声，如电气设备、天体放电现象等引起的噪声。内部噪声，一般可分为以下4种： （1）由光和电的基本性质所引起的噪声 （2）电器的机械运动产生的噪声 （3）器件材料本身引起的噪声 （4）系统内部设备电路所引起的噪声 按噪声与信号的关系分类，可以将噪声分为加性噪声和乘性噪声两大类。设f（x，y）为信号，n（x，y）为噪声，噪声影响信号后的输出为g（x，y）。表示加性噪声的公式如下： 加性噪声和图像信号强度是不相关的，如运算放大器。图像在传输过程中引进的“信道噪声”，电视摄像机扫描图像的噪声，这类带有噪声的图像g（x，y）可看成理想无噪声图像f（x，y）与噪声n（x，y）之和。形成的波形是噪声和信号的叠加，其特点是n（x，y）和信号无关。如一般的电子线性放大器

MATLAB图像的锐化处理 锐化可以很好的把物体的轮廓描绘出来，不需要注重物体的内容，而是注重物体的形态位置。 例如：可以应用在扫描舰体的位置 I=imread(‘pout1.tif’); imshow(I,[]); title(‘原图’); BW1=edge(I,‘roberts’,0.1); figure,imshow(BW1); title(’ 罗伯兹梯度图’) ; BW2=edge(I,‘sobel’,0.1); figure,imshow(BW2); title(’ sobel’) ; BW3=edge(I,‘prewitt’,0.1); figure,imshow(BW3); title(’ prewitt’) ; BW4=edge(I,‘log’,0.1); figure,imshow(BW4); title(’ log’) ; BW5=edge(I,‘zerocross’,0.1); figure,imshow(BW5); title(’ zerocross’) ; BW6=edge(I,‘canny’,0.1); figure,imshow(BW6); title(’ canny’) ; h=[0 -1 0;-1 4 -1;0 -1 0]; J=imfilter(I,h); figure,imshow(J); title(‘拉普拉斯图1’); figure

文章转载自： https://blog.csdn.net/qijitao/article/details/80271507 清晰度、对比度和锐化程度的调整，是照片后期的三个重要步骤。它们容易混淆，但各自效果却并不相同。本文会帮大家从原理上理清他们的区别。 　　1、对比度 　　对比度是指的画面的明暗反差程度。增加对比度，画面中亮的地方会更亮，暗的地方会更暗，明暗反差增强。 　　为了更好的解释对比度、清晰度和锐度的区别，我会使用下面一张放大20倍的纹理边缘为例子。 　　下图就是增加对比度的结果。增加对比度之后，原来的两个物体反差扩大。 　　对比度是对全局作用的，对照片整体的明暗有较大影响。比如下面这张照片： 　　对比度增加之后，照片亮的地方更亮，暗的地方更暗，一下子反差就拉开了。 　　2、清晰度 　　在Photoshop以及众多软件中，都提供了清晰度的调整工具。 　　当我们增加照片的清晰度，靠近边缘较暗的一侧会变得更暗，靠近边缘较亮的一侧会变得更亮，但这种亮度对比的变化只局限在边缘周围的部分。 　　清晰度相当于让边缘亮的一边加上一根白色渐变条，暗的一边加上一根黑色渐变条，从而让物体轮廓和细节纹理更加清晰。 　　因此增加清晰度，只会增加边缘附近的反差，让物体轮廓更清晰。对照片整体的对比度，影响没有对比度滑块那么大。 　　由于清晰度相当于让边缘亮的一边加上一根白条，暗的一边加上一根黑条

图像处理之图像的平滑与锐化 概念： 锐化就是通过增强高频分量来减少图象中的模糊，因此又称为高通滤波。锐化处理在增强图象边缘的同时增加了图象的噪声。 平滑与锐化相反，就是滤掉高频分量，从而达到减少图象噪声，使图片变得有些模糊。 一、灰度化 灰度化，也就是黑白化，就是将图像进行黑白处理，使其失去色彩。而从像素点出发，就是使各个像素点的三种颜色分量R、G、B的值相同。 常用的黑白化的方法有三种： 第一种是最大值法(Maximum)： 第二种就是平均值法(Average)： 第三种是加权平均值法(Weighted Average)： 鉴于本人只使用了第二种，所以就先贴上第二种的代码： src=imread('background.bmp'); [m,n,channel]=size(src); desc=zeros(m,n); desc=double(desc); for i=1:m for j=1:n for k=1:channel desc(i,j)=desc(i,j)+src(i,j,k); end desc(i,j)=desc(i,j)/3; end end imshow(uint8(desc)); 二、锐化 锐化就是通过增强高频分量来减少图象中的模糊，因此又称为高通滤波。锐化处理在增强图象边缘的同时增加了图象的噪声。 常用的锐化模板是拉普拉斯(Laplacian)模板

大家都可能知道用二阶拉普拉斯算子可以对图像进行锐化操作，但是为什么是二阶而不是一阶呢？ 链接：https://zhuanlan.zhihu.com/p/79548457 来源：51CTO 作者： weixin_41269731 链接：https://blog.csdn.net/weixin_41269731/article/details/101053007

1、主流颜色空间 RGB三通道彩色图，每个通道都是[0,255]，常用的三通道―>单通道，Gray=R*0.3+G*0.59+B*0.11 2、图像增强的目标 改善图像的视觉效果 转换为更适合人或机器分析处理的形式； 突出对人或机器分析有意义的信息 抑制无用信息，提高图像的使用价值 包括图像锐化、平滑、去躁、灰度调整（对比度增强） 3、图像处理方法 3.1 特征提取方法 直方图 3.2 空间域处理及其变换 来源: https://www.cnblogs.com/yqpy/p/11337369.html

USM 锐化增强算法 知识点 python代码 c++代码 知识点 USM 锐化增强算法 图像卷积处理实现锐化有一种常用的算法叫做Unsharpen Mask方法，这种锐化的方法就是对原图像先做一个高斯模糊，然后用原来的图像减去一个系数乘以高斯模糊之后的图像，然后再把值Scale到0～255的RGB像素值范围之内。基于USM锐化的方法可以去除一些细小的干扰细节和噪声，比一般直接使用卷积锐化算子得到的图像锐化结果更加真实可信。 USM锐化公式表示如下： （源图像– w*高斯模糊）/（1-w）；其中w表示权重（0.1～0.9），默认为0.6 OpenCV中的代码实现步骤 高斯模糊 权重叠加 输出结果 python代码 import cv2 as cv import numpy as np src = cv . imread ( "C:/Users/qqxd/Desktop/opencvcode/images/master.jpg" ) cv . namedWindow ( "input" , cv . WINDOW_AUTOSIZE ) cv . imshow ( "input" , src ) # sigma = 5、15、25 blur_img = cv . GaussianBlur ( src , ( 0 , 0 ) , 5 ) usm = cv . addWeighted (

1、主流颜色空间 RGB三通道彩色图，每个通道都是[0,255]，常用的三通道—>单通道，Gray=R*0.3+G*0.59+B*0.11 2、图像增强的目标 改善图像的视觉效果 转换为更适合人或机器分析处理的形式； 突出对人或机器分析有意义的信息 抑制无用信息，提高图像的使用价值 包括图像锐化、平滑、去躁、灰度调整（对比度增强） 3、图像处理方法 3.1 特征提取方法 直方图 3.2 空间域处理及其变换 来源： https://www.cnblogs.com/yqpy/p/11337369.html