05锐化滤波

最新推荐文章于 2023-10-12 08:34:37 发布

Theoyah

最新推荐文章于 2023-10-12 08:34:37 发布

阅读量2k

点赞数 1

分类专栏：数字图像处理文章标签： cv 边缘检测

本文链接：https://blog.csdn.net/qq_41736774/article/details/104851916

版权

数字图像处理专栏收录该内容

5 篇文章 2 订阅

订阅专栏

锐化滤波器

主要应用

图像识别中，分割前的边缘提取
原始图像细节模糊，需要突出图像中的细节；
弥补扫描对图像的钝化；
超声探测成像，分辨率低，边缘模糊，通过锐化来改善；
处理曝光不足的图像
尖端武器的目标识别、定位

求邻域的灰度均值，可以产生钝化的效果，而均值与积分相似。所以可以用微分(一阶微分、二阶微分)产生相反效果，实现锐化。

边缘和细节都位于灰度突变的地方。图像微分突出了灰度突变的区域(边缘和其它突变如噪声)，削弱了灰度变化缓慢的区域。最简单的锐化空间滤波器：基于掩模操作一阶和二阶微分算子。

一维

一维离散函数的微分（差分）算子：

一阶（前向）差分:

$\frac{\partial f}{\partial x}\approx \frac{\Delta f}{\Delta x} = f(x+1)-f(x)$

二阶差分

$\frac{\partial^2 f}{\partial x^2}\approx f^{`}(x)-f^`(x-1)\\ =[f(x+1)-f(x)]-[f(x)-f(x-1)]\\ =f(x+1)+f(x-1)-2f(x)$

基于一阶微分的图像增强— 梯度算子:

$\nabla f = \begin{bmatrix} G_x \\ G_y \\ \end{bmatrix}= \begin{bmatrix} \frac{\partial f}{\partial x} \\ \frac{\partial f}{\partial y} \\ \end{bmatrix}$

在 $(x, y)$ 点处的梯度，方向是 $f (x, y)$ 在这点变化率最大的方向，其大小等于 $f (x, y)$ 的最大变化率：
$|\nabla f(x,y)|= \begin{bmatrix} (\frac{\partial f}{\partial x})^2+(\frac{\partial f}{\partial y})^2 \end{bmatrix}^\frac{1}{2}$

二维

对于二维离散函数 $f (i, j)$ ，用有限差分作为梯度大小的近似：
$|\nabla f(i,j)|=\{[f(i+1,j)-f(i,j)]^2+[f(i,j+1)-f(i,j)]^2\}^\frac{1}{2}$
上式包含平方和开方，运算量大，使用绝对差分近似:
$|\nabla f(i,j)|=|f(i+1,j)-f(i,j)|+|f(i,j+1)-f(i,j)|$

实际使用中常采用另一种近似梯度—Robert交叉梯度：
$|\nabla f(i,j)|=|f(i+1,j+1)-f(i,j)|+|f(i,j+1)-f(i+1,j)|$

Robert交叉梯度模板

$\begin{bmatrix} -1&0\\ 0&-1\\ \end{bmatrix}对45°边缘有较强响应,但是对-45°边缘没有响应\\ w2= \begin{bmatrix} 0&-1\\ -1&0\\ \end{bmatrix}对-45°边缘有较强响应但是对45°边缘没有响应\\$

最终的Robert 模板锐化图像为 $w 1$ 和 $w 2$ 两个模板运算结果之和。

Code

import matplotlib.pyplot as plt
import numpy as np
import cv2 as cv

# Robert 锐化
def robert(img,w):
    """
    :param img: 输入灰度图像
    :param w: Robert 模板
    :return : 锐化图像
    """
    cp_img = np.copy(img)
    re_img = np.copy(img)

    for i in range(cp_img.shape[0]-1):
        for j in range(cp_img.shape[1]-1):

            temp = w*cp_img[i:i+2,j:j+2]
            re_img[i][j] = np.abs(temp[1][1]-temp[0][0])+np.abs(temp[1][0]-temp[0][1])

    return re_img

def show(img,title,sub):
    plt.subplot(sub[0],sub[1],sub[2])
    plt.imshow(img,cmap="gray")
    plt.axis('off') # 去掉坐标轴
    plt.title(title)

if __name__=="__main__":
    img = cv.imread('12.png')
    img = cv.cvtColor(img,cv.COLOR_RGB2GRAY)

    w1 = np.array([[-1,0],[0,1]]) # 对 45°边缘有较强响应
    w2 = np.array([[0,-1],[1,0]]) # 对 -45°边缘有较强响应
    w = w1+w2                     # 交叉梯度模板
    re_img1 = robert(img, w1)
    re_img2 = robert(img, w2)
    re_img3 = robert(img, w)
    show(img, 'original img', (1, 4, 1))
    show(re_img1, 'w1', (1, 4, 2))
    show(re_img2, 'w2', (1, 4, 3))
    show(re_img3, 'w', (1, 4, 4))
    plt.show()

在这里插入图片描述

Sobel梯度模板

$S o b e l$ 梯度定义为：
$\begin{bmatrix} z_1&z_2&z_3\\ z_4&z_5&z_6\\ z_7&z_8&z_9\\ \end{bmatrix}\\ S_x = (z_7+2z_8+z_9)-(z_1+2z_2+z_3)\\ S_y = (z_3+2z_6+z_9)-(z_1+2z_4+z_7)\\ M(i,j) = |S_x|+|S_y| 使用权重2的目的：突出中心点$
在这里插入图片描述
$S_x = \begin{bmatrix} -1&-2&-1\\ 0&0&0\\ 1&2&1\\ \end{bmatrix} S_y = \begin{bmatrix} -1&0&1\\ -2&0&2\\ -1&0&1\\ \end{bmatrix}$
$S_x$ 对水平边缘有较强响应， $S_y$ 对竖直边缘有较强响应。微分模板的所有系数之和为0，保证了灰度恒定区域的响应为0。

Code

# Sobel锐化滤波器
def sobel(img):
    """
    :param img: 输入灰度图像
    :return: 返回锐化后的图像
    """
    cp_img = np.copy(img)

    Sx = np.array([[-1,-2,-1],[0,0,0],[1,2,1]])
    Sy = np.array([[-1,0,1],[-2,0,2],[-1,0,1]])

    row, col = Sx.shape
    # 边界补零处理
    r = (row-1)//2
    c = (col-1)//2
    rb = np.zeros((r,cp_img.shape[1]))
    temp = np.vstack([rb,cp_img,rb])
    cb = np.zeros((temp.shape[0],c))
    last = np.hstack([cb,temp,cb])
    mem = np.zeros(cp_img.shape)
    # 加权求和
    for i in range(r,last.shape[0]-r):
        for j in range(c,last.shape[1]-c):
            mem[i-r][j-c] = np.abs(np.sum(Sx*last[i-r:i+r+1,j-c:j+c+1]))+ np.abs(np.sum(Sy*last[i-r:i+r+1,j-c:j+c+1]))

    return mem
    
def show(img,title,sub):
    plt.subplot(sub[0],sub[1],sub[2])
    plt.imshow(img,cmap="gray")
    plt.axis('off') # 去掉坐标轴
    plt.title(title)

if __name__=="__main__":
    img = cv.imread('16.jpg',0)
    re_img = sobel(img)

    sobelx = cv.Sobel(img, cv.CV_8U, 1, 0, ksize=3)
    sobely = cv.Sobel(img, cv.CV_8U, 0, 1, ksize=3)

    show(re_img, 'sobel', (1, 3, 1))
    show(img, 'img', (1, 3, 2))
    show((sobely+sobelx), 'cv.sobel', (1, 3, 3))
    plt.show()

在这里插入图片描述

拉普拉斯算子

$f (x, y)$ 函数的拉普拉斯运算：
$\nabla ^2f = \frac{\partial ^2f}{\partial x^2}+\frac{\partial ^2f}{\partial y^2}$
差分形式为:
$\frac{\partial ^2f}{\partial x^2}=f(x+1,y)+f(x-1,y)-2f(x,y) \\ \frac{\partial ^2f}{\partial y^2}=f(x,y+1)+f(x,y-1)-2f(x,y) \\ \nabla ^2f = [f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)]-4f(x,y)$
拉普拉斯模板：对水平和竖直边缘都有较强响应
$\begin{bmatrix} 0&1&0\\ 1&-4&1\\ 0&1&0\\ \end{bmatrix}或 \begin{bmatrix} 0&-1&0\\ -1&4&-1\\ 0&-1&0\\ \end{bmatrix}$
拉普拉斯锐化的特点：

对噪声敏感；
产生双边缘；

拉普拉斯算子的扩展：对角线邻域加入变换中使得对各方向边缘均有较强响应。
$\begin{bmatrix} 0&1&0\\ 1&-4&1\\ 0&1&0\\ \end{bmatrix}+ \begin{bmatrix} 1&0&1\\ 0&-4&0\\ 1&0&1\\ \end{bmatrix}= \begin{bmatrix} 1&1&1\\ 1&-8&1\\ 1&1&1\\ \end{bmatrix}$

拉普拉斯运算对图像增强的基本方法：将原始图像和拉普拉斯图像相叠加
$g(x,y)=\begin{cases} f(x,y)-\nabla ^2f(x,y)&模板中心系数为负 \\ f(x,y)+\nabla ^2f(x,y)&模板中心系数为正 \\ \end{cases}$
Code

import matplotlib.pyplot as plt
import numpy as np
import cv2 as cv

# Laplace拉普拉斯锐化
def laplace(img):
    cp_img = np.copy(img)
    lap = np.array([[0,1,0],[1,-4,1],[0,1,0]]) # Laplace算子
    m = np.array([[1,0,1],[0,-4,0],[1,0,1]])   # 对角领域
    extend_lap = lap+m  # 扩展Laplace算子
    row, col = extend_lap.shape
    # 边界补零处理
    r = (row-1)//2
    c = (col-1)//2
    rb = np.zeros((r,cp_img.shape[1]))
    temp = np.vstack([rb,cp_img,rb])
    cb = np.zeros((temp.shape[0],c))
    last = np.hstack([cb,temp,cb])
    mem = np.zeros(cp_img.shape)
    # 加权求和
    for i in range(r,last.shape[0]-r):
        for j in range(c,last.shape[1]-c):
            mem[i-r][j-c] = np.sum(extend_lap*last[i-r:i+r+1,j-c:j+c+1])

    return mem

def show(img,title,sub):
    plt.subplot(sub[0],sub[1],sub[2])
    plt.imshow(img,cmap="gray")
    plt.axis('off') # 去掉坐标轴
    plt.title(title)
    
if __name__=="__main__":
    img = cv.imread('16.jpg',0)
    re_img = laplace(img)
    laplacian = cv.Laplacian(img, cv.CV_8U)

    show(re_img, 'laplace', (2, 2, 1))
    show((re_img * 255 / np.max(re_img)).astype(np.uint8)+img, 'normalization laplace', (2, 2, 2))
    show(img, 'img', (2, 2, 3))
    show(laplacian+img, 'cv.Laplacian', (2, 2, 4))
    plt.show()

在这里插入图片描述

锐化滤波器:高频提升滤波模板:

在这里插入图片描述

高斯—拉普拉斯(Laplace of Gaussian,LoG)算子

锐化在增强边缘和细节的同时也增强了噪声。为了在取得好的锐化效果的同时把噪声的干扰降到最低, 可以先对带噪声的原始图像进行平滑，再进行锐化。

$L o G$ 算子把高斯平滑和拉普拉斯锐化结合起来：

高斯函数：
$-exp(-\frac{x^2+y^2}{2\sigma ^2})=-exp(-\frac{r^2}{2\sigma ^2})（\sigma^2为标准差）$
高斯-拉普拉斯算子：
$\nabla ^2h = -[\frac{r^2+\sigma^2}{\sigma^4}]exp(-\frac{x^2+y^2}{2\sigma^2})$
常用的 $L o G$ 算子是 $5 \times 5$ 的模板:
$\begin{bmatrix} -2&-4&-4&-4&-2\\ -4&0&8&0&-4\\ -4&8&24&8&-4\\ -4&0&8&0&-4\\ -2&-4&-4&-4&-2\\ \end{bmatrix}$
在这里插入图片描述

Theoyah

关注

1
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
05锐化滤波

锐化滤波器主要应用图像识别中，分割前的边缘提取原始图像细节模糊，需要突出图像中的细节；弥补扫描对图像的钝化；超声探测成像，分辨率低，边缘模糊，通过锐化来改善；处理曝光不足的图像尖端武器的目标识别、定位求邻域的灰度均值，可以产生钝化的效果，而均值与积分相似。所以可以用微分(一阶微分、二阶微分)产生相反效果，实现锐化。边缘和细节都位于灰度突变的地方。图...
复制链接

扫一扫