拉普拉斯边缘检测_图像处理学习笔记（十四）——图像边缘锐化的基本方法(理论篇)...

本篇文章主要介绍图像边缘锐化的基本方法；

锐化处理的目的是增强边界；图像中的物体的区别是图像的亮度值不同；在边界上反应很大的变化；所以锐化的目的是突出物体的细节，或者增强被模糊了的图像细节；

为了以后边界提取、图像分割、目标识别、形状特征的提取打下基础；

锐化的基本方法：

图像锐化主要靠边界的不同，所以锐化求不同就要求差异，求差异要用减的方法；所以我们用到微分运算；

在微分运算的基础上，介绍梯度锐化和边缘检测；

梯度锐化：保持物体的边界很清晰，使物体的内部数据保留不变，在边缘上增强；除此之外，介绍通用的边缘检测算子，并对这些算子进行比较；

所以本篇文章主要围绕：如何增强边界？？？怎样提取边界？？？

1、增强边界：加强图片中物体的边界，突出边界；不改变物体内部数据量；

2、提取边界：不考虑物体内部信息；

图像边缘类型：

通常，边缘上的灰度变化平缓，而边缘两侧灰度变化比较快，图像的边缘一般是指在局部不连续的图像特征。一般是局部亮度变化最显著的部分，灰度值的变化、颜色分量的突变、纹理结构的突变都可以构成边缘信息；

边缘是有方向性的，一个物体的边缘可能是水平的，也可能是垂直的；只有垂直与边缘的数据量是变化很大的；跟边缘一致的点，变化是很小的；我们不能任意找变化量，必须沿着垂直于边缘的的方向上，才能找到最大的变化量；所以边缘上的变化量是很小的，垂直于边缘的两侧数据量变化很大；

所以要找边缘，就要找数据的变换量，一个方向上的变化量；变化量只能用减法；相邻两个像素的差值；

常见的边缘类型：

差分特点：

阶梯状：差分在边缘处有最大值；所以一阶导数有最大值；在进行求导，二阶导数是过零的；

脉冲状：一阶导数有最大值、最小值，也有过零；

屋顶状：有一部分是为0，从零到最高，然后到最低；

我们最感兴趣的是恒定灰度区域(平坦段)、突变的开头与结尾(阶梯与斜坡突变)以及沿着灰度级斜坡处的特性。微分运算能够增强边缘和其他突变(如噪声)，削弱灰度缓慢变化的区域，微分运算的响应强度与图像在该点的突变程度有关；

因为数字图像是离散的，这里用差分定义微分：

一元函数f(x)一阶微分：