数字图像处理的python实践(9)——图像锐化

最新推荐文章于 2024-06-01 15:10:51 发布

渡边君

最新推荐文章于 2024-06-01 15:10:51 发布

阅读量2.8w

点赞数 17

分类专栏：数字图像处理的python实践

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。

本文链接：https://blog.csdn.net/baidu_41902768/article/details/94613788

版权

图像锐化是和平滑相反的操作，目的是为了使模糊的图像变得清晰。既然是相反的目的，那么操作应该也是相反的，平滑使用的是图像邻域的加权求和或者是积分运算，而锐化则是使用求导数(梯度)或有限差分来实现。

基于一阶导数的图像增强——梯度算子

对于二维的连续函数 $f(x, y)$ ，在点(x,y)处的梯度为

$\bigtriangledown f = \begin{bmatrix} \frac{\partial f}{\partial x}\\ \frac{\partial f}{\partial y} \end{bmatrix}$

其中两个偏导数的计算公式为

$\frac{\partial f}{\partial x}=\lim_{\epsilon \rightarrow 0}\frac{f(x+\epsilon, y)-f(x, y)}{\epsilon}$

$\frac{\partial f}{\partial y}=\lim_{\epsilon \rightarrow 0}\frac{f(x, y+\epsilon)-f(x, y)}{\epsilon}$

梯度的幅值作为变化率的度量，其值如下。为什么要求梯度的幅值？想一下平滑的处理思路，最简单的平均平滑，在简单的一维情况下就是就某个位置上的数值替换成基于这个位置的邻域的积分值；而积分的逆变换就是微分，也就是将该位置的数值替换成这个位置的效斜率。所以二维情况下，就是将梯度幅值的值作为新的值。

$|\bigtriangledown f(x,y)| = \sqrt{(\frac{\partial f}{\partial x})^{2}+(\frac{\partial f}{\partial y})^{2}}$

对应到我们的二维离散图像中，就用差分来代替求导

$|\bigtriangledown f(x,y)| = \sqrt{[f(i+1,j)-f(i,j)]^{2}+[f(x,j+1)-f(x,j)]^{2}}$

上式中涉及平方和开方的运算，可以近似为绝对值的形式

$|\bigtriangledown f(i,j)| =|f(i+1,j)-f(i,j)|+|f(x,j+1)-f(x,j)|$

而在实际应用中，经常被采用的是另一种近似梯度——Robert交叉梯度。可以将第一项和第二项都用模板的形式展示，如下所示。

最低0.47元/天解锁文章

关注

17
点赞
踩
122

收藏

觉得还不错? 一键收藏
3
评论
数字图像处理的python实践(9)——图像锐化

图像锐化是和平滑相反的操作，目的是为了使模糊的图像变得清晰。既然是相反的目的，那么操作应该也是相反的，平滑使用的是图像邻域的加权求和或者是积分运算，而锐化则是使用求导数(梯度)或有限差分来实现。基于一阶导数的图像增强——梯度算子对于二维的连续函数，在点(x,y)处的梯度为其中两个偏导数的计算公式为梯度的幅值作为...
复制链接

扫一扫

专栏目录

评论 3

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。