数字图像学笔记——9. 几种常见的空间滤波器（锐化滤波）

最新推荐文章于 2023-03-25 00:29:03 发布

打码的老程

最新推荐文章于 2023-03-25 00:29:03 发布

阅读量5.8k

点赞数 9

分类专栏： OpenCV与数字图像处理文章标签：计算机视觉算法锐化滤波 opencv

本文链接：https://blog.csdn.net/poisonchry/article/details/114414147

版权

OpenCV与数字图像处理专栏收录该内容

19 篇文章 67 订阅

订阅专栏

在上一章内容中，介绍了两种比较常用，而且简单的滤波器；在这一章里，要引入一个比较复杂的滤波器——锐化滤波。要弄懂锐化滤波需要先弄懂梯度、以及拉普拉斯算子，由于我已经在其他文章里介绍过了，所以在这里我不过多赘述，需要的朋友可以点开下面的连接……

《梯度、散度与拉普拉斯算子》

首先我们要理解一个概念，如果把一张图片的灰度信息当作平面的高度信息，那么当颜色出现变动的时候，就产生了类似梯度一样的概念。所以，在物体与背景之间，由于像素值的巨大变动，往往会出现巨大的梯度差。

锐化算法的本质，就是用数学的方法，调整这个梯度差，比如让这个梯度更为陡峭，于是从视觉上会起到细节增强的作用。而这与我们之前提到的像素变换，gamma变换是不一样的技术。

锐化滤波器背后的数学知识

在这里插入图片描述
假设我们有二次函数如上表示，它在某一点的斜率可以用其导数形式进行表示，既有：

$\frac{ f(x+\triangle x) - f(x) }{\triangle x}$

由小学的数学概念可以得知，如果改变原函数的斜率，那么就可以使得原函数变得更为陡峭或者平缓。但是在一阶导数上进行调整，稍微有些困难，所以通常情况下我们会选择在二阶导数上进行调整。

为了验证这个理论，我们做一个简单的实验，假设原函数为 $y=x^2$ ，它的图像在 $x > 0$ 侧表示为：

在这里插入图片描述
其一阶导数为 $d e r (f (x)) = 2 x$ ，绘制出来的图像是这样的：

在这里插入图片描述

其二阶导数为 $d e r (d e r (f (x))) = 2$

在这里插入图片描述

我们给2阶导数乘一个大于1的数，比如1.5，那么原函数就变成了 $\frac{3}{2} x^2 + cx$ ，令 $c = 0$ ，那么可以得到这样一个图像

y=1.5x^2
在这里插入图片描述

y=x^2
在这里插入图片描述
可以发现原函数变得陡峭多了！

锐化空间计算公式

由于通过二阶导反推回原函数有一定难度，所以我们需要分析一下其差分形式，

$\triangledown^2f = \triangledown f(x+1) - \triangledown f(x)$

而

$\triangledown f(x) = f(x+1) - f(x)$

所以，就可以得到这样一个公式

$\triangledown f(x)$

则

$\triangledown f(x) + \triangledown^2 f(x)$

那么，锐化后或者钝化后的实际图像 $g (x)$ ，也就是对 $\triangledown^2 f$ 的乘积 $k$ 就可以简单的变成这样的形式，

$\triangledown f(x) + k \triangledown^2 f(x)$

在不考虑精确度的情况下，把中间的梯度值设为0后，就可以表示为以下表达式：

$\triangledown^2 f(x)$

这个式子的含义，就是求解原图像的二阶导数后得到一个和原图大小一致的矩阵，然后乘以一个系数 $k$ 后，把修改后的值直接加回原始图像，即可以得到增强或钝化后的图形。

不过在具体实现这个算法前，我想先简单的探讨一下拉普拉斯算子的其他应用，因为这在我们其他应用中也会用到类似的技术。

拉普拉斯算子与图像边界

拉普拉斯算子，即二阶偏微分方程，根据二阶导在某些情况下所描述的数学定义，即在区间为 $[a, b]$ 时，为其函数值为正或者负，则原函数是递增或递减，为0则表示不变的特性。

可以知道在大块色块相似的区域内，拉普拉斯算子求解出的值应该为0或接近0的数，只有在色块出现大块颜色区分的时候，拉普拉斯算子才会计算出的大于0或者小于0的数，而这正好对应到图片中物体的边界。

而为了避免 $< 0$ 的情况出现，以及无法正确显示边界信息，通常会选择使用它的绝对值信息。所以，如果我们实现一个拉普拉斯算子的程序如下，经过它处理后的图片就会出现这样有趣的效果：

def laplacian_kernel(image, i, j):

    kernel = np.array([[0, 1, 0],
                        [1, -4, 1],
                        [0, 1, 0]])

	# 从原始图像中，根据ij所在位置，扣出一个3x3的小矩阵
    sub_img = image[i-1:i+2, j-1:j+2]
    result = kernel * sub_img
    return abs(np.sum(result))

def laplacian_operator(image):
    width, height = image.shape
    backup = np.zeros(image.shape, np.uint8)

    for i in range(1, width - 1):
        for j in range(1, height - 1):
            backup[i][j] = laplacian_kernel(image, i, j)

    return backup

用numpy可以很大程度简化这个过程，如果用C或者其他语言，你可能需要一位一位的去计算。
在这里插入图片描述
最终执行效果，我们如愿以偿的从原始图片中扣出了边界信息。

锐化滤波

根据我们之前得到的粗糙的锐化函数

$\triangledown^2 f(x)$

可以知道锐化后的图像，为原始图像加上进过拉普拉斯处理后的信息乘以某个参数。所以拉普拉斯算子的代码我们可以改写成如下形式：

def laplacian_kernel(image, i, j, k):
	# laplacian matrix
    kernel = np.array([[0, 1, 0],
                       [1, -4, 1],
                       [0, 1, 0]])

    # 从原始图像中，根据ij所在位置，扣出一个3x3的小矩阵
    sub_img = image[i - 1:i + 2, j - 1:j + 2]
    result = kernel * sub_img
    result = abs(np.sum(result)) * k
    return round(result)

def laplacian_operator(image, k):
    width, height = image.shape
    backup = np.zeros(image.shape, np.uint8)

    for i in range(1, width - 1):
        for j in range(1, height - 1):
            res = laplacian_kernel_mod(image, i, j, k) + image[i][j]

            if res > 255:
                res = 255

            backup[i][j] = res

    return backup