边缘检测算子
在总结边缘检测算子之前，先记录一个Python函数库的用法Pillow--ImageFilter，该函数集合了常用滤波函数，例如高斯滤波，中值滤波等。它内部帮你处理了由于滤波或者其他操作造成的数值越界等问题，比如说，Pillow的Image类打开的图片都是uint8 类型的，在做完滤波后，有些值超过255，就变成个数，有些值小于0，就会突变成二百多。可以采用cv2.convertScaleAbs()进行处理，该函数会将大于255的数值修改成255，负数变成绝对值。并且数值全都为无符号uint8型
a = np.array([254, 255, 256, 257, -1, -2])
print(a)
b = a.astype(np.uint8)
print(b)
c = cv2.convertScaleAbs(a)
print(c)
#输出：
[254 255 256 257 -1 -2]
[254 255 0 1 255 254]
[[254]
[255]
[255]
[255]
[ 1]
[ 2]]
因此，本文将采用多种方法来避免这种情况。一个是整型的类型转换，在图像处理后，将uint8转成int。或者处理的时候直接采用浮点类型。在opencv读取默认时uint8，并且如果采用浮点类型，默认0-1的数值，即，如果出现大于1，而又是浮点类型，那么该像素就显示白色了，白色像素点在uint8中是255, 在浮点中1.0为白色。因此，在加载的时候 浮点类型 一定要注意浮点表示和整型的关系。总之，cv2在对图像矩阵处理时，如果其数值为浮点型，这加载的像素点大小范围[0.0, 1.0].如果为整型，这范围为[0,255]. 如果加载进来的是浮点，而不小心弄成[0,255]这些数，那么图像就很可能是全白色
ImageFilter
先举一个高斯模糊函数例子来抛出ImageFilter基本用法：
from PIL import Image
from PIL import ImageFilter
src_path = '/home/szx/Desktop/tt/1.jpg'
img = Image.open(src_path)
img = img.convert('L')
im_filter = img.filter(ImageFilter.GaussianBlur(radius=5))img.convert('L'）将rgb其转换成灰度图，'L'对应的参数还有'RGB'。高斯滤波核的半径为5，类似的滤波核还有：UnsharpMask、Kernel、RankFilter、MedianFilter、MinFilter、MaxFilter、ModeFilter、BoxBlur、UnsharpMask剩下来的还有一些其实是kernel函数的变形，比如说：
class EMBOSS(BuiltinFilter):
name = "Emboss"
# fmt: off
filterargs = (3, 3), 1, 128, (
-1, 0, 0,
0, 1, 0,
0, 0, 0,
)他等价于
im_filter = img.filter(ImageFilter.Kernel((3,3),(-1, 0, 0, 0, 1, 0, 0, 0, 0), scale=1,offset=128))总之都能用ImageFilter.Kernel代替。那么Kernel.init(self, size, kernel, scale=None, offset=0)函数的几个参数的表示意义为：
size: 卷积核的尺寸，kernel：卷积核的具体值，通过一维来表示。scale为放大系数。offset，偏移量，为在原来值的基础上加上该值。
比如经过kerne卷积核以后，图片的某个像素值为：5，如果sacle=2，offset=128，那么像素值最终为：5*2+128 = 138
不过kernel的尺寸必须为(3,3) 或 (5,5)。如果卷积核为其他尺寸需要用到opencv了，后面会介绍其用法。
边缘提取算子
算子的推到过程，有的利用二维函数的偏导数，二阶导数，或者差分等。看似高大上，其实无非就是左边像素值减去右边像素值、上面减去下面或者周围的减去中间的等，每个参与的像素乘以相应的系数。其中数学上的推导，还是看该篇文章吧。这里只给出具体算子，并且总结他们的优缺点。
下面的边缘提取图都是对该图的灰度图进行滤波的
一：Roberts算子
其kernel= [[1, 0],[0,-1]],或者[[0, 1],[-1, 0]].
image_path = 'ori.jpg'
img = cv2.imread(image_path)
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img = img/255.0
# Roberts
fileter_data = np.array([[0, 1],
[-1, 0]])
end_filter = cv2.filter2D(img, -1, fileter_data)
end_filter = end_filter*255
end_filter = cv2.convertScaleAbs(end_filter)
cv2.imshow('name', end_filter)
cv2.imwrite('filter_Roberts.jpg', end_filter)
cv2.waitKey(10000)
cv2.destroyAllWindows()
filter_Roberts.jpg
由于ImageFilter模块不能用2*2的卷积核，这里采用了opencv的滤波方法。并且用浮点数进行了处理.因此卷积的时候，数值范围在（0,1）之间，最后乘以255后，利用cv2.convertScaleAbs()进行转换。
也可以直接利用uint8型：
image_path = 'ori.jpg'
img = cv2.imread(image_path)
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Roberts
fileter_data = np.array([[0, 1],
[-1, 0]])
end_filter = cv2.filter2D(img, cv2.CV_16S, fileter_data)
end_filter = cv2.convertScaleAbs(end_filter)
cv2.imshow('name', end_filter)
cv2.imwrite('Roberts_255.jpg', end_filter)
cv2.waitKey(10000)
cv2.destroyAllWindows()end_filter = cv2.filter2D(img, cv2.CV_16S, fileter_data),主要是这里的cv2.CV_16S参数,表示有符号16整型（S代表有符号整型，U无符号整型，F代表单精度浮点型），它的作用是在进行卷积前，将数值类型改变，因为在进行卷积的时候可能产生负数。而上个参开代码这里为-1，即默认和img类型时一样的数值类型。
二：Sobel算子
该算子分为纵向和横向两个模板：
经过该公式得到最后结果：
image_path = 'ori.jpg'
img = cv2.imread(image_path)
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img = img/255.0
# Sobel
fileter_data_x = np.array([[-1, 0, 1],
[-2, 0, 2],
[-1, 0, 1]])
fileter_data_y = np.array([[1, 2, 1],
[0, 0, 0],
[-1, -2, -1]])
end_filter_x = cv2.filter2D(img, -1, fileter_data_x)
end_filter_y = cv2.filter2D(img, -1, fileter_data_y)
end_filter_xx = np.power(end_filter_x, 2)
end_filter_yy = np.power(end_filter_y, 2)
end_filter = np.power((end_filter_xx + end_filter_yy), 0.5)
cv2.imshow('name', end_filter)
cv2.imwrite('filter_Sobel.jpg', end_filter*255)
cv2.waitKey(10000)
cv2.destroyAllWindows()
filter_Sobel
程序中一定要注意类型的转换，opencv中对浮点和uint8的对待方式不一样，浮点默认0-1，无符号整型为0-255
三 ：Prewitt算子
Prewitt算子和sobel算子类似，其值只差两个数，但这两个数的差别，Prewitt却有滤波的作用。
采用Prewitt算子（Prewitt_x)与图像进行卷积时，卷积后的像素值的确定方案为：像素坐标右边纵向三个值的和减去左边纵向三个值的和。如果加上均值化，那么就是均值滤波，均值滤波有平滑图像的作用，因此就有去噪点的功能，相当于低通滤波。因此，相比Roberts算子，Prewitt算子对噪声有抑制作用。
image_path = 'ori.jpg'
img = cv2.imread(image_path)
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img = img/255.0
# Prewitt
fileter_data_x = np.array([[-1, 0, 1],
[-1, 0, 1],
[-1, 0, 1]])
fileter_data_y = np.array([[1, 1, 1],
[0, 0, 0],
[-1, -1, -1]])
end_filter_x = cv2.filter2D(img, -1, fileter_data_x)
end_filter_y = cv2.filter2D(img, -1, fileter_data_y)
end_filter_xx = np.power(end_filter_x, 2)
end_filter_yy = np.power(end_filter_y, 2)
end_filter = np.power((end_filter_xx + end_filter_yy), 0.5)
cv2.imshow('name', end_filter)
cv2.imwrite('filter_Prewitt.jpg', cv2.convertScaleAbs(end_filter*255))
cv2.waitKey(10000)
cv2.destroyAllWindows()
filter_Prewitt.jpg
这两个算子都是通过X和Y两个方向共同确认的。因此不会有负数。
四:Laplacian算子
Laplacce算子是一种各向同性算子，二阶微分算子，它不能检测边缘的方向。Laplace算子对孤立象素的响应要比对边缘或线的响应要更强烈，因此对噪声特别敏感，一般情况下，使用Laplacian算子检测边缘之前需要先进行低通滤波。
扩展模板板
image_path = 'ori.jpg'
img = cv2.imread(image_path)
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Laplacian
fileter_data = np.array([[0, 1, 0],
[1, -4, 1],
[0, 1, 0]])
# fileter_data = np.array([[1, 1, 1],
# [1, -8, 1],
# [1, 1, 1]])
end_filter = cv2.filter2D(img, cv2.CV_16S, fileter_data)
end_filter = cv2.convertScaleAbs(end_filter)
cv2.imshow('name', end_filter)
cv2.imwrite('filter_Laplacian_plus.jpg', end_filter)
cv2.waitKey(10000)
cv2.destroyAllWindows()
filter_Laplacian
五：LOG（高斯-拉普拉斯）算子
针对拉普拉斯算子对噪声过于敏感，但是高斯模糊算子又具有平滑噪声的作用。因此LOG算子是高斯和拉普拉斯的双结合，即集平滑和边沿于一身的算子模型。具体推到以及来源可参考文章一，文章二
常用模板为：
image_path = 'ori.jpg'
img = cv2.imread(image_path)
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# log
fileter_data = np.array([[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]])
end_filter = cv2.filter2D(img, cv2.CV_16S, fileter_data)
end_filter = cv2.convertScaleAbs(end_filter)
cv2.imshow('name', end_filter)
print(end_filter)
cv2.imwrite('filter_log.jpg', end_filter)
cv2.waitKey(10000)
cv2.destroyAllWindows()
filter_log
上面的几种边缘提取算法，可还需要添加threshold阈值。按照理想的条件，提取后的边缘图的像素点，要么为0要么为1. 因此该阈值的就是区分像素应当置为0还是255。
但是，不设阈值的好处是通过亮度的程度能够感官上体会边缘锐的程度（锐度大小）。这里只是做一下提醒。
其实opencv已经提供了好多边缘提取的方法，只是为了更加详细的说明每一种滤波核的特点。采用opencv实现边缘提取的部分函数有：
cv2.Sobel()、 cv2.Laplacian()、cv2.Canny()等。还可以使用scipy模块
import scipy.signal
# mode = same 表示输出尺寸等于输入尺寸
# boundary 表示采用对称边界条件处理图像边缘
scipy.signal.convolve2d(r, window, mode='same', boundary='symm')锐化
上面提到的边缘算子对一种锐化方法特别有用,主要是利用图像边缘大部分是高频区域,将高频信息提取出来进行放大,然后叠加回去.从而实现锐化. 这种方法的应用如下:
首先使用某种方法对边缘信息进行提取.
我们提取的边缘信息以后,对这个边缘信息进行放大. 然后原图(模糊后的也可以)与处理后的边缘信息进行相加.这样就得出了锐化的结果.非常简单.
大体可以使用该公式表示.mx是窗口区域下的均值像素,也可以用高斯模糊求得.这里的G如果是常数的话,就属于线性增强.高频部分都被同等放大,有些地方可能出现增强过度的现象.
锐化自适应:
我们可以通过动态的调整C来实现自适应的方法
上式中σx(i,j)就是所谓的局部标准差（LSD),D是常数.
1、以5x5之类窗口，将输入图像网格化。
2、通过梯度算法，计算出每个网格内平均梯度，存入掩码mask1中。
3、使用高斯之类掩码，将mask1平滑。
4、找出mask1上，梯度掩码最大值Vmax 和中间值Vmid = Vmax / 2。
5、遍历整个mask1，通过公式：w=pow(abs(mask1[i,j]-Vmib)/Vmid, 0.6)计算出每个像素对应锐化强度权重w，存入Mask2。
6、高斯模糊原图 - 原图，得到锐化掩码Mask3。
7、Mask3 * Mask2的结果，叠加到原图上，得到锐化效果。
具体原理可以理解为：将图像分成了平坦区、细节区、和强细节区。对平坦区少做锐化，可以避免颗粒感之类噪声放大；对强锐化去少做锐化，可以避免图像出现严重的过锐，不自然现象。
对比度
在图像处理中还有一种概念是对比度,他和锐化同样可以使人感觉图像更加"鲜艳",但是对比度和锐化的概念并不一样.
对比度是让亮度地方更亮,而暗的地方更暗.因此,对像素值进行线性拉伸即可.或者使用一种伽马指数进行缩放.
如果原图上像素值最大的点值为max（可能离255还很远），像素值最小的点的值为min（可能离0值也很远），线性变换就是要把值域（min，max）拉伸到（0,255）。所以很简单了：y=k（x-min），其中k权且叫做拉伸系数吧，k=255/(max-min)。
文说道的max和min并不真的就是整张图上的最大值和最小值，实际上如果真的使用绝对的最大值和最小值的话，往往效果很差（值最大的那个点和值最小的那个点很有可能是坏点，或者是由噪声的影响）。所以需要在选取最大值和最小值中采取某种策略.其中一个方法是max取最大的5%的像素的值，min取最小的5%的像素的值（也未必一定是5%）.
色彩增强
通过这篇，里面涉及到腾讯的色彩增强算法，大概就是通过提亮，对比度增强以及调整饱和度三种方法，这里只是通过他给出的公式，方便理解这三个操作的具体意义.
第一步，亮度的改变，就是在每个像素值上乘以系数，比较好理解。
第二步的对比度增强，是每个像素减去所有像素的均值后乘以系数，然后在加上均值。从而实现整体图像的像素值拉伸的效果。
第三步，饱和度的改变。channel_mean,是每个通道总rgb三个像素点的均值。rgb的像素值拉伸的是相对该通道的三个像素点均值。
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
