前言
记录图像锐化中梯度的相关编程内容。本文使用语言为python,模特为lena小姐姐。
一、理论储备
图像锐化与图像平滑是相反的操作,锐化是通过增强高频分量来减少图像中的模糊,增强图像细节边缘和轮廓,增强灰度反差,便于后期对目标的识别和处理。锐化处理在增强图像边缘的同时也增加了图像的噪声。方法通常有微分法和高通滤波法。
具体理论可以参考这篇文章:图像锐化
1 读图中某一行的灰度值
这部分很简单,原理不再赘述。
def read(img,h):
"""
读某一行的灰度值
:param img: 输入灰度值图像
:param h : 读第h行的灰度值
:return gray:第h行的灰度值
"""
gray = img[h,:]
return gray
效果图如下:
2如何实现微分的操作
微分法需要的第一步就是要求梯度,而我们通常认为梯度的方向是图像中最大变化率的方向,梯度的幅度比例于相邻像素的灰度级差值。
下面写一个函数实现对数组的求梯度功能。一阶梯度的求法如下所示:
而二阶梯度的求法如下:
其实就是对一阶梯度再求一阶梯度。
def my_diff(arr,n=1):
"""
计算梯度
:param arr: 输入的数组
:param n: 进行n阶微分,默认为1阶
:return :
"""
new_arr = np.empty_like(arr)
for i in range(n) :
new_arr[:-1] =arr[1:] - arr[:-1]
arr = new_arr[:-1]
#print("arr:",arr)
return arr
一阶微分的效果图如图所示。
但是调用上面的函数进行二次微分会出现问题,具体原因需要分析一下:
前面提到:梯度是相邻元素的差值
这样想第一次微分是没有问题的,但是第二次微分就要小心了,因为第一次微分会使得数组的元素比原来的数组少1,而我的代码里
new_arr = np.empty_like(arr)
并没有随着循环的进行而少1,一直是传进来的arr的大小。因此代码修改如下:
def my_diff(arr,n=1):
"""
计算梯度
:param arr: 输入的数组
:param n: 进行n阶微分,默认为1阶
:return :
"""
#print("arr:", arr.shape)
for i in range(n) :
new_arr = np.empty_like(arr)#放进循环就好啦
new_arr[:-1] =arr[1:] - arr[:-1]
arr = new_arr[:-1]
#print("arr:",arr.shape)
return arr
总结
本文是对梯度所使用到的理论进行代码上的实现,基本上没有使用第三方的库函数。