图像增强-图像锐化

 

图像锐化主要影响图像中的低频分量,不影响图像中的高频分量。

图像锐化的主要目的有两个:

1.增强图像边缘,使模糊的图像变得更加清晰,颜色变得鲜明突出,图像的质量有所改善,产生更适合人眼观察和识别的图像;

2.希望通过锐化处理后,目标物体的边缘鲜明,以便于提取目标的边缘、对图像进行分割、目标区域识别、区域形状提取等,进一步的图像理解与分析奠定基础。

图像锐化一般有两种方法:

1.微分法

2.高通滤波法

这里主要介绍一下两种常用的微分锐化方法:梯度锐化和拉普拉斯锐化。

注意:由于锐化使噪声受到比信号还要强的增强,所以要求锐化处理的图像有较高的信噪比;否则,锐化后的图像的信噪比更低。

 

1.梯度锐化

基本理论

邻域平均法或加权平均法可以平滑图像,反过来利用对应的微分算法可以锐化图像。微分算法是求信号的变化率,有加强高频分量胡作用,从而使图像轮廓清晰。

由于图像模糊胡实质是图像受到平均或积分运算造成的,所以为了把图像中任何方向伸展的边缘肯模糊的轮廓变得清晰,可以对图像进行逆运算如微分运算,从而使图像清晰化。

在图像处理中,一阶微分是通过梯度算法来实现的,对于一幅图像用函数f(x,y)表示,定义在f(x,y)在点(x,y)处的梯度是一个矢量,定义为:

捕获

梯度的方向在函数f(x,y)最大变化率的方向上,梯度的幅度G[f(x,y)]可以由以下公式算出:

捕获

由上式可知:梯度的数值就是f(x,y)在其最大变化率方向上的单位距离所增加的量。

对于数字图像而言,微分可用差分来近似。因此上式可以写成:

捕获

为了便于编程和提高运算速度,在计算精度允许的情况下,可采用绝对差算法近似为:

捕获

这种算法又称为水平垂直差分法,另一种梯度算法是交叉的进行查分计算,称为罗伯特梯度法,表示为:

捕获

同样可采用绝对差算法近似:

捕获

运用上述两种梯度近似算法,在图像的最后一行后最后一列无法计算像素的梯度时,一般用前一行或前一列的梯度值近似代替。

为了不破坏图像背景的前提下更好地增强边缘,也可以对上述直接用梯度值代替灰度值的方法进行改进,可以引入一个阈值来判断是否对某一像素点进行锐化。具体公式如下:

捕获

对于图像而言,物体与物体之间,背景与背景之间的梯度变化很小,灰度变化较大的地方一般集中在图像的边缘上,也就是物体和背景交接的地方。当我们设定一个阈值时,G[f(i,j)]大于阈值就认为该像素点处于图像的边缘,对结果加上常数C,以使边缘变亮;而对于G[f(i,j)]不大于阈值就认为该像素点为同类像素,即同为物体或同为背景,常数C的选取可以根据具体的图像特点。这样既增亮了图像的边界,同时又保留了图像背景原来的状态,比传统的梯度锐化具有更好的增强效果和适用性。

另外拉普拉斯算子也可用于图像锐化,这里不再赘述。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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