图像处理与图像识别笔记（五）图像增强2

上一节中我们讲解了灰度变换的原理以及实现方法，本节我们讲解空域滤波增强，与灰度变换相同，空域滤波增强是一种空域处理的方法，不过空域滤波不是一种对点做处理的方法，而是利用相邻像素间的关系进行增强。空域滤波可以按照增强效果的不同分为平滑与锐化两类，又都可分为线性与非线性方法，线性滤波利用空域卷积来实现。接下来我们对平滑与锐化一一进行讲解。

一、图像平滑

图像平滑的目的是抑制和消除噪声，我们首先介绍一种线性平滑方法—邻域平均，平滑算子为

$A$表示已以$(i,j)$为中心的邻域点的集合，$M$是$A$中像素点的总数，邻域平均的实现代码如下：

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

img = cv2.imread('Lena.jpg',1)
kernel = np.ones((5,5),np.float32)/25	#5×5卷积核，邻域平均
res = cv2.filter2D(img,-1,kernel)
cv2.imshow('res',res)
cv2.waitKey(0)

opencv提供cv2.filter2D()函数来对图像进行卷积操作

dst = cv2.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])
#dst：输出图像
#src：输入图像
#ddepth：输出图像深度，-1为与原图相同
#kernel：卷积核
#anchor：锚点，默认为(-1, -1)，指卷积核的中心点
#delta：输出结果时的附加值，默认为0
#borderType：边界模式，默认为BORDER_DEFAULT

我们采用不同大小的卷积核，依次对源图像进行卷积操作，结果如下，

卷积核半径越大，图像平滑的效果越明显，图像越来越模糊。
除了上述线性平滑方法之外，还有非线性平滑滤波器，包括中值滤波、百分比滤波、最大值滤波、最小值滤波，我们特别讲解一下中值滤波，中值滤波是将选定的奇数像素窗口内的各像素灰度按大小排队，用中间的灰度值代替窗口中原图像中间位置的像素，因此是一种非线性滤波。中值滤波对既保留边缘又要求去噪的任务很有用，尤其对椒盐噪声。
我们为Lena添加椒盐噪声，分别对其进行邻域平均与中值滤波，实现代码如下，

import cv2
import numpy as np 
import matplotlib.pyplot as plt 
import random
import pylab

def cvToplt(img):	#经过颜色转换后plt才能输出彩色图像
	b,g,r = cv2.split(img)  
	img = cv2.merge([r,g,b])
	return img  
	
def main():	
	img = cv2.imread('Lena.jpg',1)
	x,y,z = img.shape
	for i in range(5000):	#添加椒盐噪声
		row = random.randint(0,x-1)
		col = random.randint(0,y-1)
		img[row][col] = 255
	kernel = np.ones((5,5),np.float32)/25
	res = cv2.filter2D(img,-1,kernel)	#邻域平均
	res2=  cv2.medianBlur(img,5)	#中值滤波
	plt.subplot('131'),plt.imshow(cvToplt(img)),plt.title('Original')
	plt.subplot('132'),plt.imshow(cvToplt(res)),plt.title('mean')
	plt.subplot('133'),plt.imshow(cvToplt(res2)),plt.title('median')
	pylab.show()

if __name__ =="__main__":
	main()

结果如下，

经过对比发现，中值滤波的去噪效果好，且能够较好的保留图像边缘，邻域平均的平滑效果更好但去噪效果相对较差。

二、图像锐化

对正常的图像，通过锐化提取边缘、轮廓、线条等信息，供进一步识别。通过加重图像轮廓克服降质，以达到更好的视觉效果。常见的锐化算法包括Roberts算子、Sobel算子、Prewitt算子、拉普拉斯算子。

（1）基于一阶微分的图像增强—梯度法
我们把图像看成二维离散函数，为了提取图像的边缘，我们需要计算图像的梯度，梯度是方向导数取最大值的方向的向量 ，图像的边缘即为图像梯度较大的地方。
梯度用一个二维列向量来定义，

                

对于离散的二维图像，为计算方便，用绝对值代替幅值，用差分代替微分：
$（1）$
为了更好的理解，我们考虑一个3×3的图像区域，

$z$代表灰度级，由式$（1）$，在点$z_5$的 ▽ f = ∣ z