数字图像处理之图像锐化算法

图像锐化

        图像锐化，主要用于增强图像的边缘，及灰度跳变部分。因为图像中边缘及急剧变化部分与图像的高频分量有关，所以当利用高通滤波器衰减图像信号中的低频分量时就会相对的强调其高频分量，从而加强图像中的边缘急剧变化的部分，达到图像锐化的目的。

        本篇文章主要包含以下内容：

                1.微分边缘检测原理及算法

                2.卷积边缘加强原理及算法

        在对图像进行特征提取之前，一般要进行边缘加强，然后再进行二值化处理以提取图像特征。边缘增强算法处理的目的是要突出图像的边缘。除边缘以外的图像中的其他内容经过这一处理后通常都被削弱，甚至完全被去掉了。经过边缘增强处理后的边缘信息可以叠加到原图中，使原图像得到锐化。

1.微分边缘检测

        微分尖锐化的处理方法最常用的是梯度法。由场论的基础知识知道，数量场的梯度是这样定义的：

        如果给定一个函数 f(x,y) ，在坐标(x,y)上的 f 的梯度可定义为一个矢量： 

        这个矢量的物理意义是指向f(x,y）最大增加率的方向，大小为每单位距离f(x,y)的增加值。        

        但是上面的计算梯度的方法，是连续函数的计算方法，在数字图像处理中，要采用离散的方法来计算梯度，使用差分运算代替微分运算。上面的式子，可采用下面的差分公式来近似： 

在用计算机计算梯度时，上面的式子，又通常用绝对值运算来代替和近似：

        而对一幅N*N个像素的图像计算梯度时，对图像的最后一行和最后一列不能用1.3式来求解，解决方法是对这个区域的像素在x=N，y=N时重复前一行和前一列的梯度值。

        关于梯度处理的另一种方法是罗伯特梯度（Robert gradient）法。这是一种交叉差分法。其近似计算式如下： 

        用绝对值近似计算如下：

         两种方法像素间的关系可以用下图表示，看起来更加直观清晰。 

        由公式可见，梯度的近似值都和相邻像素的灰度差成正比，在一副图像中，边缘区梯度值较大，平滑区梯度值较小，对于灰度值为常数的区域梯度为零。结果如下图所示：

图（a）是一幅二值图像，（b）为计算梯度后的图像。由于梯度运算的结果，使得图像中不变的白区变为零灰度值，黑区仍为零灰度值，只留下了灰度值急剧变化的边沿处的点。

        确定了近似梯度的计算方法后，要产生梯度图像g(x,y)，可以采用阈值法： 

        事先设置一个阈值T，当在像素点计算出来的梯度值大于或等于T时，则该点就取梯度值作为其灰度值，如果梯度小于T则保留原来f(x,y)值。这样，通过合理地选择T值，就有可能既不破坏平滑区域的灰度值，又能有效地强调了图像的边缘。

        基于上述思路的另一种做法是直接给边缘处的像素值规定一个给定的灰度值L，即： 

        这样会使图像的边缘更加明显，当然，如果只对图像的边缘感兴趣，还可以用更极端的方法来产生梯度灰度图。

2.卷积边缘加强

        卷积可以实现边缘加强，下面介绍三种不同的边缘增强方法和一种边缘检测方法，所有这些方法都是以待处理像素为中心的领域做灰度分析为基础的。所有采用卷积的边缘增强算法都是线性的，这些算法都是一次乘积的和。但Sobel边缘检测算法则采用了一次微分的方法来检测边缘。这中非线性方法用较小的计算量，得到了较好的边缘检测效果。

2.1拉普拉斯边缘加强

       拉普拉斯边缘加强是一个各向同性的增强方法，其边缘的增强程度与边缘的方向无关。拉普拉斯边缘增强方法产生的边缘的锐化程度大于其他边缘增强方法，并且不论灰度梯度是正的还是负的，拉普拉斯边缘增强方法都能使边缘得到增强。函数f(x,y)的拉普拉斯变换，其数学表达式为： 

        由于我们要做的是数字图像处理，所以连续的二阶偏导不好处理，所以我们采用差分近似的方法：

        因此拉普拉斯变换可以近似的表示为： 

        上式等效于一个与f(x,y)做卷积运算的卷积核，卷积核可以写成：

        中间像素与上下左右四个相邻像素之差。

        除此之外，下图还给出了一共四种拉普拉斯边缘加强的卷积核。 

2.2 平移和差分边缘加强

        该方法，首先将原图像平移一个像素，然后用原图像减去平移后的图像，相减的结果反映了原图亮度变化率的大小。对于图像中像素值保持不变的区域，相减的结果为0，这意味着像素为黑，对于图像中像素值变化剧烈的区域，相减后退到了相应的变化率，对应的像素将很亮。像素值差别越大，相减得到的像素就越亮。

        当然这里说的越亮和越暗都是指针对灰度图来说的，事实上这对于RGB图像也同样适用，需要把RGB图像的三个通道数据提取出来，分别处理，对R通道来说，那就是像素值保持不变的区域，相减结果为0，这意味着像素为黑，像素值差别越大，相减得到的像素就越红，所以对灰度图适用的道理，转换到RGB图像同样适用，因此后续都讨论灰度图的处理方式。

        平移差分算法增强图像中的垂直方向边缘时，可将图像左移一个像素，然后用原图像减去平移后的图像。当要增强图像水平方向边缘时，可将图像向上平移一个像素，然后用原图像减去平移后的图像。如果同时增强水平和垂直方向的边缘时，可将图像向上及向左平移一个像素，然后用原图像减去平移后的图像。为了简化上面的操作，可以采用卷积的方法，而不去移动图像。这样处理也能得到相同的结果。

        平移和差分卷积核：

        采用这种方法要注意，当像素值变化是由白到黑时，求得的变化率为负值，所以应该取绝对值，这样无论像素是由白变黑还是由黑变白，边缘都能得到加强。 

2.3Sobel算法边缘检测

        Sobel算法是边缘检测方法中的一种非线性的方法，该算法效率很高，而且用途很广。

        实际中有两种截然不同的方法实现Sobel算法。第一种算法计算两个不同的卷积核，即： 

        卷积运算中的一个问题就是像素值的符号问题，当一个卷积核中包含负的卷积系数时，就可能产生负的像素值。负的像素值无法显示，因此当卷积中出现负像素值时，可采用下列方法处理。        

        1.将负的像素置零；

        2.可以取像素的绝对值作为像素的新值；

        3.也可以将所有像素值加一个常值，以使负的像素值加大到0；

        以上是图像锐化处理的几种方法。值得注意的是在图像锐化的过程中，图像的边缘细节得到了加强，但图像中的噪声也同时被加重了，所以在实际处理过程中，往往采用多种方法一起处理的方式来得到比较满意的效果。