【3.6】锐化空间滤波器

锐化的主要目的是突出灰度的过渡部分。大部分的过度部分指的是图像的边缘和图像的噪点。图像的模糊操作可以采用积分求和来实现，而图像的锐化则可以使用微分来实现。

对于一幅二维图像，我们使用f(x,y)来表示，其中，x和y表示二维图像的像素坐标。

数字图像函数f(x,y)的微分定义：

对于一元函数f(x)表达一阶微分的定义是一个差值：

∂f/∂x = f(x+1) − f(x)

二阶导数：(∂f/∂x)/∂x = f(x+2) - f(x+1) -f(x+1)+f(x)

相当于：f(x+1)-2f(x)+f(x-1)

这里，为了与对二元图像函数f(x,y)求微分时的表达式保持一致，使用偏导数符号，对二元函数，我们将沿着两个空间轴处理偏微分，类似地，用差分定义二阶微分：

通过以上定义，可以看出，在离散数字图像中某个像素点的微分，是通过改点与其周围的像素点的像素值的差值来表示的。例如，如果某个像素的周围是和其值一样的像素，通过以上公式，显而易见，该像素点的微分值为0，如果不同，微分值的大小可以表示该像素点与其周围像素的差异大小。我们通过微分值对原图像进行调整，即可达到锐化的效果。

基于二阶微分的图像增强--拉普拉斯算子

  处理方法

   最简单的各向同性微分算子是拉普拉斯算子，一个二元图像函数f(x,y)的拉普拉斯变换定义为：

                                                  

代入上述的二阶微分公式可得：

                                                   

                                                

即：

                                               

所以拉普拉斯变换可以由下面的系数矩阵来计算：

对于任意的像素点，将该像素点的值的4倍与其上下左右四个像素值作差值的结果，就是该像素经过拉普拉斯变换后的结果。如前述，微分值的大小可以表示该像素点与其周围像素的差异大小。所以，为了保持原图像的特性，我们需要将原图像与使用拉普拉斯变换后的值相加，这样，既保持原图像的特征，又达到了锐化的效果。

下面是拉普拉斯变换的代码：

#include <opencv2/opencv.hpp> //使用opencv对图片进行操作
#include <cmath>
#include <iostream>
#include <string>

int main()
{
       Mat src = imread("图片路径");
       Mat dst(src.rows, src.cols,CV_8UC1,Scalar::all(0));//定义一张和原图片相同大小的目标图片

       //存储拉普拉斯变换的结果  为了方便没有对图像边缘进行处理
      for (int row = 1; row < dst.rows-1; row++)//行循环
	{
		for (int col = 1; col < dst.cols-1; col++)//列循环
		{
		    //通过系数模版进行变换
                     dst.at<uchar>(row, col) = 
				+ src.at<uchar>(row - 1, col)
				+ src.at<uchar>(row, col - 1)
				+ src.at<uchar>(row, col + 1)
				+ src.at<uchar>(row + 1, col)
				- 4 * src.at<uchar>(row, col);
		}
	}

       //将拉普拉斯变换的结果与原图片相加
	for (int row = 0; row < dst.rows; row++)
	{
		for (int col = 0; col < dst.cols; col++)
		{
			dst.at<uchar>(row, col) -= src.at<uchar>(row, col);//模版中心系数为负数时要减去，正数时相加
		}
	}


	imshow("dst", dst);//显示变换的结果
} 

使用一阶微分对（非线性）图像锐化—梯度

图像吃力中的一阶微分是用梯度幅值来实现的。

一个函数f在f(x,y)的梯度是定义为二维列向量（这是一个矢量，给定了一个方向）：

然后其幅度值为

，

其中M(x,y)是与原图像大小相同的图像，该图像通常称为梯度图像。同样，我们可以上述的拉普拉斯算法定义一个过滤器模版，通过线性运算进行锐化图像，这里不再赘述。