灰度图像--图像增强 非锐化掩蔽 （Unsharpening Mask）

最新推荐文章于 2022-06-05 20:42:38 发布
原创 最新推荐文章于 2022-06-05 20:42:38 发布 · 8.1k 阅读 · 14 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#图像增强 #图像处理 #非锐化掩蔽 #USM

本文探讨了图像处理中的非锐化掩蔽技术，解释了其背后的原理，并将其与锐化和平滑操作进行了对比。介绍了该技术如何通过从原始图像中减去平滑处理过的图像来增强图像边缘。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

学习DIP第35天

转载请标明本文出处：http://blog.csdn.net/tonyshengtan，欢迎大家转载，发现博客被某些论坛转载后，图像无法正常显示，无法正常表达本人观点，对此表示很不满意。有些网站转载了我的博文，很开心的是自己写的东西被更多人看到了，但不开心的是这段话被去掉了，也没标明转载来源，虽然这并没有版权保护，但感觉还是不太好，出于尊重文章作者的劳动，转载请标明出处！！！！

文章代码已托管，欢迎共同开发：https://github.com/Tony-Tan/DIPpro

 

开篇废话

 

 

       废话开始，今天写了两篇博客，为了加快学习进度，而且是周末，相当于给自己加个班，而且理论之前已经研究明白了，所以写起来也比较自如。有人在群里问，学习图像处理，要看书还是要写代码还是要作项目，我觉得，看书像是内功心法，写代码相当于招式练习，项目就像实战一样，所以如果只写代码或者一上来就去跟别人做项目而完全不看书研究基础算法就像空中楼阁，美丽但不牢固，更重要的是容易迷失自己，也就是走火入魔，个人观点，本人也在基础练习阶段，所以说这些没什么经验依据，只是自己的理解。

       非锐化掩蔽，一开始感觉这个词好难接受，不知道要干嘛，google之发现线索不多，经过一番研究发现这个词这么理解：非锐化--锐化的相反的操作是平滑，所以非锐化就是平滑操作；掩蔽--字面意思是隐藏，其实我们可以把它理解成为减去除去，所以这个过程就是减去平滑后的图像得到的结果。而实际算法的思路是，原图减去平滑后的图像，得到被削弱的边缘部分，然后按照一定比例和原图相加，如果比例为1，那么就是非锐化掩蔽，如果大于1就是高提升滤波，和前面频率域的高提升，高频强调思路一致，只是那部分用的是频率域方法。

 

 

数学原理

 

内容迁移至  

http://www.face2ai.com/DIP-5-7-灰度图像-图像增强-非锐化掩蔽UnsharpeningMask/

 

 

http://www.tony4ai.com/DIP-5-7-灰度图像-图像增强-非锐化掩蔽UnsharpeningMask/

非锐化掩蔽和高提升滤波
JaxonChan的博客
07-18 1637
如下图为原图像、高斯滤波器模糊图像、非锐化模板、使用非锐化掩蔽的结果、使用高提升滤波的结果图。 由图可以看出，使用高斯滤波器后图像变得模糊，使用非锐化模板后所得的图像较原图像有了进一步改进，最后通过高提升滤波，使得图像效果大大增强。非锐化掩蔽的处理过程可以分为三步： 1.模糊原图像。 2.从原图像中减去模糊图像(产生的差值图像称为模板)。 3.将模板加到原图像上。 程序代码如下： clc %清除命令窗口的内容 close all %关闭所有的Figure窗口 clear a
灰度图像--图像分割 阈值处理之OTSU阈值
weixin_30588907的博客
07-30 664
学习DIP第55天 转载请标明本文出处：***http://blog.csdn.net/tonyshengtan ***，出于尊重文章作者的劳动，转载请标明出处！文章代码已托管，欢迎共同开发：https://github.com/Tony-Tan/DIPpro 更多图像处理机器学习内容请访问最新网站www.tony4ai.com #开篇废话 废话开始...
matlab 非锐化掩蔽、高提升滤波
07-09
matlab 非锐化掩蔽、高提升滤波
【图像处理】双眼去掩蔽
编程语言小筑
04-13 294
和心理系在做的实验，主要是研究基于双眼视差的立体视觉在不同的掩蔽类型以及不同视差条件下的去掩蔽效应。基于双眼视差的立体视觉不改变目标与掩蔽刺激之间的信噪比，但能使不同的刺激被知觉在不同的深度位置上以降低目标信号所受到的掩蔽作用。掩蔽作用依据机制不同，可分为能量掩蔽，即不受双眼立体视觉所造成的主观空间分离影响的；以及信息掩蔽，即可以被主观空间分离的。 实验分为几个阶段，最主要是在阶段II被试在存在掩...
非锐化掩蔽与高提升滤波
11-15
刚萨雷斯第三版，内附代码与实验图像。包含书中三小节内容。足够初步理解消化。谢谢阅读下载
冈萨雷斯图像处理—非锐化掩蔽和高提升滤波
12-21
冈萨雷斯图像处理—非锐化掩蔽和高提升滤波 MATLAB代码 图像处理小白，昨天老师布置了一个作业，搜半天没答案，直接自己写了呜呜呜 clear,clc; % 读取图像 Img = imread(‘moon.jpg’); M = size(Img); if numel(M)>2 gray = rgb2gray(Img); else gray = Img; end % 创建滤波器 W = fspecial(‘gaussian’,[5,5],3); G = imfilter(gray, W, ‘replicate’); subplot(1,5,1);imshow(gray); title(‘原始图像
灰度图像--图像增强 非锐化掩蔽 （Unsharpening Mask） .
周红伟讲AI
02-01 5387
灰度图像--图像增强 非锐化掩蔽 （Unsharpening Mask） 分类： 数字图像处理 冈萨雷斯 2015-01-31 19:53 147人阅读 评论(0) 收藏 举报 图像增强图像处理非锐化掩蔽USM 目录(?)[+] 开篇废话数学原理示意图代码结果总结 学习DIP第35天 转载请标明本文出处：http://blog.cs
图像去雾、图像增强、灰度直方图均衡化等
04-26
我们可以使用各种函数来实现图像增强，例如`imadjust`函数可以根据输入图像的直方图调整其强度级别，`wiener2`函数可用于进行自适应滤波以减少噪声，而`unsharp_mask`函数则可实现未锐化掩蔽，增强图像边缘。...
非锐化掩蔽(Unsharp Masking)与高提升滤波
voicanoo的博客
08-10 3万+
数字图像处理中图像增强算法中常用的两种技术：非锐化掩蔽和高提升滤波       非锐化掩蔽：       顾名思义即减去平滑后的图像，其原理流程图如下：     1、平滑原图像：f->s；     2、从原图像中减去模糊图像，产生的差值图像称为模板：m=f-s；     3、将模板加到原图像中：
数字图像处理 - Ch3 锐化（高通）空间滤波器
Ddsluke的博客
05-13 1734
锐化（高通）空间滤波器 1. 一阶导数和二阶导数 2. 利用二阶导数锐化图像 —— 拉普拉斯 3. 钝化掩蔽和高提升滤波 4. 使用一阶导数锐化图像 —— 梯度
冈萨雷斯 数字图像处理(第三版)matlab代码 图3.40 非锐化掩蔽和高提升滤波
10-15
冈萨雷斯 数字图像处理(第三版)matlab代码 图3.40 非锐化掩蔽和高提升滤波
锐化掩模算法
weixin_42028758的博客
07-14 888
原理：提取图像的高频分量，再用一个参数放大之后与原图叠加，这样就产生了一个增强了边缘的图像。 提取图像的高频分量的做法有两种：1.直接使用高通滤波器，得到高频分量。2.通过低通滤波器，再用原图减去低频就得到了高频信息。 直接提取高频的方法有sobel算法、laplcian算子，sobel算子是图像的一阶导数，提取的是梯度信息，分水平和垂直两种，常常用来做边缘检测、方向判别，sobel算子在斜坡处不为0，因此会产生较粗的边缘。laplcian算子是图像的二阶导，在图像开始变化和结束变化的地方值不为0，渐变
图像边缘锐化- Sharpening filter, Unsharp masking & Highboost filtering
Full_Speed_Turbo
06-08 1万+
图像锐化和图像增强
线性非锐化掩膜unsharpened mask（matlab）
qq_35872942的博客
12-03 1157
clc;clear; data=imread('DR_ck_0001.tiff'); img = double(data); eps=0.04; log_img = log_trans(img); img_basic = gradient_guidedfilter(log_img, log_img, eps); img_detail = log_img-img_basic; tmp = log(2 + (img_basic./max(img_basic(:))).^0.2345*8); img_basi
基于Laplacian算子的图像锐化及非锐化屏蔽(unsharp masking)
lichengyu的专栏
11-11 7169
基于Laplacian算子的图像锐化：图像锐化（sharpening）[Rosenfeld and Kak 82]的目标是使边缘更陡峭，锐化的图像是供人观察的。锐化的输出图像f是根据下式从输入图像g得到的：f(i,j) = g(i,j) - CS(i,j)                              (4.40)其中C是反映锐化强度的正系数，S(i,j)是图像函数锐化程度
ENVI实验教程（5） 实验五、遥感图像增强
热门推荐
chengzilhc的博客
07-11 5万+
实验五、遥感图像增强 一、实验目的 掌握空间域、辐射域、光谱域增强的原理与方法步骤； 掌握波段组合的原理与方法。 掌握ENVI直方图拉伸、空间卷积运算、光谱变换、波段运算和彩色合成等基本图像增强操作。 二、实验基本要求 认真阅读和掌握本实验的内容。 保存与记录实验结果，并进行分析总结。 实验报告中要求有清晰的步骤及相应结果（图或表等）。 三、实验时间和地点 地点： 时间： 四、实验条件...
Google Earth Engine(GEE)实例代码学习十四——影像非线性对比度增强（polynomial）
little00bee的博客
04-19 861
GEE利用多项式实现影像对比度增强 本文分享如何用多项式实现MODIS影像对比度增强——polynomial GEE提供polynomial（）这个函数表示从常数项开始按次数递增的多项式，使用给定的系数计算每个像素的多项式 放代码看看 //加载MODSI地表反射率数据，真彩色合成 var img = ee.Image('MODIS/006/MOD09GA/2012_03_09').select([...
在GEE中实现哨兵2号（Sentinel-2）缨帽变换得到亮度（Brightness）、绿度（Greenness）、和湿度（Wetness）
cd54881的博客
06-05 5718
缨帽变换（K-T变换），本质上是一种通过矩阵运算实现的图像增强，因其可以得到亮度（Brightness）、绿度（Greenness）、和湿度（Wetness），因而在植被检测、用地分类等方面中得到广泛应用。GEE教程中只有landsat8的，而网络上也没没有关于哨兵2号的GEE缨帽变换教程，随手写一个方便后来人。哨兵2的缨帽变换参数是出自2107的一篇论文：《ORTHOGONAL TRANSFORMATION OF SEGMENTED IMAGES FROM THE SATELLITE SENTINEL-2
通过自适应UM（非锐化掩膜）算法进行图像增强（Image Enhancement via Adaptive Unsharp Masking）
qq_40864007的博客
03-29 3230
本文工作 这篇博客主要是对原论文做整体上的概述，并非一句句的翻译，本人水平时间有限。如果有细节上的疑问的话，最好还是下载原文去校对一下，当然也欢迎留言讨论。 原文信息 先上原文标题：Image Enhancement via Adaptive Unsharp Masking 原文作者：Andrea Polesel, Giovanni Ramponi, and V. John Mathews 背景简介 论文一开始第一部分第一段就提及了经典的非锐化掩膜算法（即原文提及的UM算法），第一段主要说明经典的UM算法存
衣服灰度图像增强图
最新发布
07-20
<think>我们参考了用户提供的引用内容，并基于用户的问题“如何增强衣服的灰度图像以提高图像质量”进行回答。根据引用[1]和[2]，图像增强技术包括灰度变换、直方图均衡化、图像平滑和锐化等。同时，增强效果需要根据主观视觉评定，可能需要多次试验。此外，引用[3]提到人眼视觉特性（如亮度阈值效应）对图像增强效果评估的重要性。 因此，我们针对衣服灰度图像增强，提出以下方法： 1. **灰度变换**：通过调整对比度来改善图像。衣服图像可能因为光照不足或过度而对比度低，我们可以使用线性或非线性变换（如伽马校正）来扩展对比度。 2. **直方图均衡化**：用于改善图像的全局对比度，特别适用于衣服图像中灰度分布集中在某一范围的情况。它通过重新分配像素值，使直方图更均匀，从而增强细节。 3. **图像平滑**：衣服图像可能含有噪声（如拍摄时的噪点），使用平滑滤波器（如均值滤波、高斯滤波）可以减少噪声，但注意平滑也可能损失细节。 4. **图像锐化**：为了突出衣服的纹理和边缘（如衣领、纽扣等），可以使用锐化技术（如拉普拉斯算子、Sobel算子）来增强边缘。 另外，根据引用[2]，有时需要联合使用多种方法以达到理想效果。 下面，我们将分别介绍这些方法的具体实现（使用Python和OpenCV），并提供示例代码。同时，我们也会考虑人眼视觉特性（引用[3]）在增强过程中的影响，例如在调整对比度时，注意暗区细节的提升。 ### 1. 灰度变换（对比度调整） 我们可以使用线性变换（如`cv2.convertScaleAbs`）或非线性变换（如伽马校正）来调整对比度。 **线性变换**：通过调整斜率和截距来改变像素值。 $$s = \alpha \cdot r + \beta$$ 其中，$r$是原始像素值，$s$是变换后的像素值，$\alpha$控制对比度（大于1增加对比度，小于1减少对比度），$\beta$控制亮度。 **伽马校正**：一种非线性变换，公式为： $$s = c \cdot r^\gamma$$ 其中，$c$为常数，通常取1，$\gamma$控制校正效果（$\gamma<1$提升暗部，$\gamma>1$提升亮部）。 ### 2. 直方图均衡化 使用`cv2.equalizeHist`函数进行全局直方图均衡化。对于衣服图像，如果整体偏暗或偏亮，均衡化可以有效地拉伸对比度。 ### 3. 图像平滑 - **均值滤波**：使用`cv2.blur`或`cv2.boxFilter`。 - **高斯滤波**：使用`cv2.GaussianBlur`，比均值滤波更能保留边缘。 ### 4. 图像锐化 - **拉普拉斯锐化**：通过拉普拉斯算子检测边缘，然后将边缘叠加到原图。 - **非锐化掩蔽（Unsharp Masking）**：先对图像进行高斯模糊，然后用原图减去模糊图像（得到边缘），再将边缘加到原图上。 ### 示例代码 #### 1. 灰度变换（伽马校正） ```python import cv2 import numpy as np def adjust_gamma(image, gamma=1.0): # 建立映射表 invGamma = 1.0 / gamma table = np.array([((i / 255.0) ** invGamma) * 255 for i in np.arange(0, 256)]).astype("uint8") return cv2.LUT(image, table) # 读取灰度图像 image = cv2.imread('clothes_gray.jpg', cv2.IMREAD_GRAYSCALE) # 伽马校正（gamma<1 提升暗部细节） gamma_adjusted = adjust_gamma(image, gamma=0.5) cv2.imshow('Original', image) cv2.imshow('Gamma Adjusted', gamma_adjusted) cv2.waitKey(0) cv2.destroyAllWindows() ``` #### 2. 直方图均衡化 ```python # 直方图均衡化 equalized = cv2.equalizeHist(image) cv2.imshow('Equalized', equalized) ``` #### 3. 均值滤波 ```python # 均值滤波（3x3卷积核） blurred = cv2.blur(image, (3,3)) cv2.imshow('Blurred', blurred) ``` #### 4. 拉普拉斯锐化 ```python # 拉普拉斯锐化 laplacian = cv2.Laplacian(image, cv2.CV_64F) # 转换为8位图像，并叠加到原图 sharpened = image - 0.5 * laplacian sharpened = np.clip(sharpened, 0, 255).astype(np.uint8) cv2.imshow('Sharpened', sharpened) ``` ### 联合使用示例 对于衣服图像，我们可以先进行平滑去噪，然后进行对比度调整和锐化，以增强细节。例如： 1. 使用高斯滤波去除噪声。 2. 使用伽马校正提升暗部细节（如果图像偏暗）。 3. 使用直方图均衡化进一步改善对比度。 4. 使用锐化突出纹理。 注意：每一步的参数需要根据具体图像调整，可能需要多次试验。 ### 效果评估 根据引用[3]，人眼对暗区的分辨能力较弱，因此在进行增强时，应特别注意暗区细节的提升（如使用伽马校正）。同时，增强后的图像质量评估应结合人眼主观感受。 ### 总结 衣服灰度图像的增强没有固定流程，通常需要根据图像特点选择合适的方法并组合使用。我们建议从直方图分析开始，观察灰度分布，然后针对性地选择增强方法。 ### 相关问题 1. 如何分析衣服灰度图像的直方图以确定增强方向？ 2. 伽马校正中如何选择合适的伽马值？ 3. 联合使用多种增强方法时，顺序如何安排？ 4. 图像增强后如何评估质量？</think>### 衣服灰度图像增强方法 根据引用内容[1][2]，衣服灰度图像增强主要通过以下技术实现，这些方法可单独或联合使用以达到最佳效果： --- #### 1. **灰度变换（对比度扩展）** - **原理**：通过点运算修改像素灰度值，扩展图像动态范围 - **适用场景**：改善光照不均的衣服图像，增强暗部细节 - **实现方法**： ```python import cv2 import numpy as np # 线性对比度拉伸 def contrast_stretch(img, a=0, b=255): c, d = np.percentile(img, [2, 98]) # 取2%和98%分位数 return np.uint8((img - c) * ((b - a) / (d - c)) + a) image = cv2.imread('clothes.jpg', 0) stretched = contrast_stretch(image) ``` #### 2. **直方图均衡化** - **原理**：重新分配像素值使直方图均匀分布[^1] - **效果**：显著提升衣服褶皱和纹理的可见性 - **实现代码**： ```python # 全局直方图均衡化 equalized = cv2.equalizeHist(image) # 自适应直方图均衡化（CLAHE）- 更好保留局部细节 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) clahe_img = clahe.apply(image) ``` #### 3. **图像平滑（去噪）** - **均值滤波**： ```python blurred = cv2.blur(image, (3,3)) # 3x3均值滤波 ``` - **高斯滤波**（更优选择）： ```python gaussian = cv2.GaussianBlur(image, (5,5), sigmaX=1.5) ``` #### 4. **图像锐化（边缘增强）** - **拉普拉斯锐化**： ```python laplacian = cv2.Laplacian(image, cv2.CV_64F) sharpened = cv2.convertScaleAbs(image - 0.7*laplacian) ``` - **非锐化掩蔽（Unsharp Masking）**： ```python blurred = cv2.GaussianBlur(image, (0,0), 3) mask = cv2.addWeighted(image, 1.5, blurred, -0.5, 0) ``` #### 5. **多方法联合增强（推荐流程）** ```python # 最佳实践流程 def enhance_cloth_image(img): # 步骤1: 去噪 denoised = cv2.fastNlMeansDenoising(img, h=10) # 步骤2: 对比度调整 stretched = contrast_stretch(denoised) # 步骤3: 自适应直方图均衡化 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) equalized = clahe.apply(stretched) # 步骤4: 锐化 laplacian = cv2.Laplacian(equalized, cv2.CV_64F) return cv2.convertScaleAbs(equalized - 0.5*laplacian) enhanced_img = enhance_cloth_image(image) ``` --- ### 增强效果评估要点 1. **亮度阈值效应**：关注暗区细节是否可见（如衣服褶皱）[^3] 2. **空间频率掩盖**：检查纹理细节是否清晰 3. **主观视觉评估**：最终效果需符合人眼感知需求[^1] > **关键建议**：对于衣服图像，优先使用**CLAHE+选择性锐化**的组合，既能增强纹理又避免过度放大噪声。处理后应确保： > - 标签文字清晰可辨 > - 面料纹理自然呈现 > - 阴影区域保留细节 --- ### 示例效果对比 | 处理步骤 | 效果描述 | |---------|---------| | 原始图像 | 可能存在低对比度、细节模糊 | | 直方图均衡化后 | 全局对比度提升，但可能噪声放大 | | CLAHE处理后 | 局部细节增强，噪声控制更好 | | 锐化后 | 边缘清晰度显著提升 |
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值