【图像处理】空间域上的图像增强（sobel，LOG，DOG算子等）

空间域与傅里叶变化后的频域相对，是在实际的图像坐标空间中进行变换。在傅里叶变换中有f(x,y)<->F(u,v)，前者位于空间域，后者位于频域。

一、全局图像增强，比如灰度变换和直方图调整。

二、局部增强，对特定区域进行调整。

三、分块增强，将图像分块，计算每一个块的特征，比如平均值、方差等，根据这些特征，判断当前块是否调整。这里可以用到机器学习的方法。

四、算术/逻辑增强，设有图像f(x,y)和g(x,y)，算子op，用户设定参数a和b，那么得到新的增强图像h(x,y)=af(x,y)op bg(x,y)。如果f1(x,y), f2(x,y)…fn(x,y)是不同时间、相同噪声（尤其是白噪声）下生成的图像，那么h(x,y)= [f1(x,y)+…fn(x,y)]/n，h(x,y)有效消除了一部分噪声。

五、平滑空间滤波。使用NxN的平滑模板(滤波器)对图像进行卷积，可以减小噪声，产生模糊效果。平滑空间滤波器分为(1)平滑线性滤波器，比如均值滤波和高斯滤波(2)统计排序滤波器，比如中值滤波、最大最小值滤波、中点滤波，中点滤波是将最大值和最小值的平均赋给当前像素。

六、锐化空间滤波。与平滑空间滤波相对，锐化空间滤波增强被模糊的细节，边缘和突变细节。

 

锐化空间滤波基于微分数学原理。在离散系统中，一阶导定义为f’(x)=f(x+1)-f(x)，二阶导数定义为f’’(x) = f’(x+1)-f’(x) = f(x+2) – f(x+1) – (f(x+1) –f(x))=f(x+2)+f(x)-2f(x+1)，不过一般我们看到是f’’(x)= f(x+1)+f(x-1)-2f(x)。二阶微分一般比一阶微分好，将灰度变化最剧烈的地方有更强的响应。

一阶微分：

-1 0 1                                    -1-1 -1

-1 0 1                                    00 0

-1 0 1                                    11 1

Perwitt算子

-1 0 1                                    -1-2 -1

-2 0 2                                    00 0

-1 0 1                                    12 1

sobel算子，与perwitt算子的区别是强调了中心部分，弱化对角线

 

二阶微分：

0 1 0                                               11 1

1 -4 1                                            1 8 1

0 1 0                                               11 1

Laplacian算子

 0 0 1 0 0

0 1 2 1 0

1 2 -16 2 1

0 1 2 1 0

0 0 1 0 0

一个LoG算子，高斯拉普拉斯算子。

 

LoG图像

高斯拉普拉斯滤波的原始思路是：先对原始图像进行高斯滤波，然后用laplacian算子进行卷积。这样有效抑制了噪声，锐化效果又没有太大损失。我们把高斯滤波和laplacian算子结合起来，对高斯模板求二阶导得到LoG算子，然后用LoG算子对原始图像进行滤波，就以一个步骤，来完成了高斯拉普拉斯滤波的两个步骤。推导如下：

h(t)就指代高斯模板G(x,y)。*号表示卷积。对于二阶导，公式也是成立的。这说明：对高斯模板求二阶导得到LoG算子等价于，先与高斯模板滤波，再求laplacian算子滤波。

求二阶导得到LoG算子：

其中2pi常数不见了是因为：我们最终获取的核是需要归一化的，如果当前卷积的窗口全是同一个值，那么卷积结果应该还是这个值，因此核内部的值需要乘以归一化参数，那么2pi常数便没有太大意义。

其中，方差需要用户自己根据图像特征来赋值。

推导过程来自http://fourier.eng.hmc.edu/e161/lectures/gradient/node8.html

DoG算子

DoG算子是LoG算子的近似，做法是求取不同sigma方差下的高斯滤波图像的差，这导致DoG图像有负数产生，因此实际操作时要把原图像素值设为有符号数。

我们单向变化sigma获取3张DoG图像，遍历中间DoG图像的像素，如果当前像素是其3x3x3邻域的最大值或者最小值，且满足给定的像素阈值条件，那么当前像素所在的位置就是图像的角度点。

DoG图像，方差为0.3，0.4

最大值和最小值的角点都显示为白色点。三对DoG方差为0.3-0.4,0.6-0.7,0.7-0.8

https://github.com/artzers/NGImageProcessor.git BaseSpatialFilter.py