数字图像处理的python实践(10)——高提升滤波

最新推荐文章于 2021-03-10 07:02:17 发布

渡边君

最新推荐文章于 2021-03-10 07:02:17 发布

阅读量1.3k

点赞数 3

分类专栏：数字图像处理的python实践

本文链接：https://blog.csdn.net/baidu_41902768/article/details/94706915

版权

本文探讨了一阶微分和二维拉普拉斯算子在图像锐化中的应用，以及如何通过将原图像与锐化后的图像相加来保留图像信息。在实际操作中，针对边缘和细节的高灰度值处理后，通过归一化和截断处理，以及调整系数A，实现了图像亮度和边缘清晰度的平衡。最终，通过修正数据类型解决了图像平滑处细节丢失的问题。

摘要由CSDN通过智能技术生成

回忆下我们之前使用的一阶微分的Robert、Sobel算子或者是二维的拉普拉斯算子，其中各个系数之和都为0。说明了算子在灰度恒定的区域的响应为0，这就导致了我们在锐化之后的图像中，除了边缘处之外的区域都变成了黑色，只有高灰度值的边缘、细节和灰度跳变点作为黑背景中的高灰度部分突出显示。我们更加希望，在基于锐化的图像增强中，可以保留原图像中的信息，所以可以将原图像和锐化后的图像相加来得到比较理想的成果。用公式来表达我们的思路，即

$g(i,j)=\left\{\begin{matrix} f(i,j)+Sharpen(f(i,j))\\ f (i,j)-Sharpen(f(i,j)) \end{matrix}\right.$

上式中第一种情况是锐化算子的中心参数>0，第二种情况是锐化算子的中心参数<0。

在实际应用中，边缘和细节等处在锐化处理后会得到高灰度值，在经过灰度伸缩之后原图的灰度会被压缩在一个很窄的范围，整体显得较暗。所以我们可以在符合 f(i,j) 和 Sharpen(f(i,j)) 时适当地提高 f(i,j) 的比重。改进后的描述为

$g(i,j)=\left\{\begin{matrix} Af(i,j)+Sharpen(f(i,j))\\ Af (i,j)-Sharpen(f(i,j)) \end{matrix}\right.$

回忆前面的滤波算法流程，模板与图像像素点邻域计算后的数值先取绝对值，然后再归一化到0-255的范围。因为关心的是边缘和细节，所以对于低灰度值的边缘或者是高灰度值的边缘——或者说黑色边缘、白色边缘——同个模板计算后一正一负取绝对值后都可以获得较大的数值即可。但是现在我们要和原图像相叠加，那么按照锐化的思路，希望结果中可以看到亮的边缘越亮、暗的边缘越暗的现象，所以不可以在Sharpen的计算结果中加绝对值。

另外，响应值和原图像像素值相加，虽然原图像的像素值有一个大于1的系数A，但是为了显示的清晰我们也希望两项的数值比较接近。所以可以对响应值提前进行归一化，有两种思路，一种是设置-255到255的范围然后直接截断；另一种就是归一化，全部归一化到-255到255的范围上。我们在这里尝试第一种方法，因为直观上看，除了边缘处的数值较大，还有可能遇到一些噪声点，之前也提到二维微分的拉普拉斯算子对于噪声点有明显的响应，直接截断也可以避免这种干扰，也减少了计算量。

from PIL import Image
import numpy as np

def EnhanceFilter(src, dst, A = 1, filter_kind = 1, padding = "replicate"):

	imarray = np.array(Image.open(src),dtype='double')
	#print(imarray.dtype)
	height, width = imarray.shape
	new_arr = np.zeros((height, width), dtype = "uint16")

	filter1 = np.array([[0,1,0],[1,-4,1],[0,1,0]])
	filter2 = np.array([[1,1,1],[1,-8,1],[1,1,1]])
	filter3 = np.a