ISP中的EE模块

在图像信号处理（Image Signal Processing，ISP）管道中，边缘增强（Edge Enhancement，EE）是一个关键步骤，用于突出图像中的边缘细节。本文将介绍如何在ISP管道中实现边缘增强，并使用Python中的OpenCV和Matplotlib库进行演示。

什么是ISP管道？

ISP管道是从图像传感器捕获原始图像数据到生成最终可视图像的过程中所进行的一系列图像处理步骤。典型的ISP管道包括去噪、去马赛克、白平衡、颜色校正、锐化、边缘增强等多个处理模块。

边缘增强在ISP管道中的作用

边缘增强模块（EE）在ISP管道中主要负责增强图像的边缘部分，使得图像中的细节更加清晰。这在提高图像的视觉效果和细节表现上起到重要作用。

实现步骤

以下是实现边缘增强的具体步骤：

1. 读取图像：读取待处理的图像文件。
2. 转换颜色空间：将图像从RGB颜色空间转换为YUV颜色空间，以便只对亮度通道进行处理。
3. 预滤波：对亮度通道进行高斯模糊以去除高频噪声。
4. 边缘检测与增强：计算高频成分并进行阈值处理来增强边缘。
5. 合成处理后的图像：将增强后的亮度通道与原始图像的色度通道合并，生成最终的处理图像。
6. 显示与保存图像：展示和保存原始图像与处理后的图像以进行对比。

实现代码

下面是完整的Python代码，使用OpenCV和Matplotlib库来实现和展示边缘增强效果：

import cv2
import numpy as np
from matplotlib import pyplot as plt
import os

# 确保图像文件路径正确
image_path = './images/blurring.png'
if not os.path.exists(image_path):
    print(f"Error: The file '{image_path}' does not exist.")
else:
    preDelta = 2   # 预滤波强度，值越大，边缘越强
    th = 5         # 边缘检测阈值
    gain = 0.8     # 边缘增强力度控制

    # 读取图像
    img = cv2.imread(image_path)
    if img is None:
        print(f"Error: Failed to read the image file '{image_path}'.")
    else:
        # 转换为YUV颜色空间
        img_yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)
        y = img_yuv[:, :, 0]

        # 高斯模糊
        Iblur = cv2.GaussianBlur(y, (0, 0), preDelta)
        HighFC = y.astype(np.float32) - Iblur.astype(np.float32)

        # 边缘增强
        HighFC[HighFC > th] *= gain
        HighFC[HighFC <= th] = 0

        # 将增强后的边缘添加回原始亮度通道
        y = cv2.add(y, HighFC.astype(np.uint8))
        img_yuv[:, :, 0] = y

        # 转换回RGB颜色空间
        res = cv2.cvtColor(img_yuv, cv2.COLOR_YUV2BGR)

        # 保存处理后的图像
        cv2.imwrite('./images/edgeDemo.png', HighFC.astype(np.uint8))
        cv2.imwrite('./images/ee.png', res)

        # 显示原始图像和处理后的图像进行对比
        plt.figure(figsize=(10, 5))

        # 显示原始图像
        plt.subplot(1, 2, 1)
        plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
        plt.title('Original')

        # 显示处理后的图像
        plt.subplot(1, 2, 2)
        plt.imshow(cv2.cvtColor(res, cv2.COLOR_BGR2RGB))
        plt.title('Processed')

        plt.tight_layout()
        plt.show()

结果展示：