这真是一件悲剧的事,早上,我花了很长时间写了这篇文章
当我快要完成时,然后电脑就蓝屏了,重启后,一切都成了浮云
好啦,没耐心再写那么多了,尽量简单吧
在图像识别中,需要有边缘鲜明的图像,即图像锐化。
图象锐化的目的是为了突出图像的边缘信息,加强图像的轮廓特征,以便于人眼的观察和机器的识别。
在空间域进行图象锐化主要有以下方法
梯度算子
其他锐化算子
拉普拉斯算子
(1)梯度空间算子
图像的边缘最直观的表现就是边缘两侧的灰度值相差比较大,在微积分中我们学过梯度的概念
梯度是一个列向量,可表示为:
而某点处梯度的模很好的反应了该点两侧的变化大小
所以,梯度值很大的点也就代表了图像的边缘
而在实际计算中,为了降低运算量,一般用一下两种方法来代替模运算
由于数字图像处理中处理的是数字离散信号
所以,我们用差分来等同于连续信号中的微分运算
典型的梯度运算有
而另一种称为Roberts梯度的差分运算可由下来表示
我们来编写程序来实现上面计算
import
cv
def
Sharp(image,flag1
=
0,flag2
=
0):
w
=
image.width
h
=
image.height
size
=
(w,h)
iSharp
=
cv.CreateImage(size,
8
,
1
)
for
i
in
range(h
-
1
):
for
j
in
range(w
-
1
):
if
flag2
==
0:
x
=
abs(image[i,j
+
1
]
-
image[i,j])
y
=
abs(image[i
+
1
,j]
-
image[i,j])
else
:
x
=
abs(image[i
+
1
,j
+
1
]
-
image[i,j])
y
=
abs(image[i
+
1
,j]
-
image[i,j
+
1
])
if
flag1
==
0:
iSharp[i,j]
=
max(x,y)
else
:
iSharp[i,j]
=
x
+
y
return
iSharp
image
=
cv.LoadImage(
'
lena.jpg
'
,0)
iMaxSharp
=
Sharp(image)
iAddSharp
=
Sharp(image,
1
)
iRMaxSharp
=
Sharp(image,0,
1
)
iRAddSharp
=
Sharp(image,
1
,
1
)
cv.ShowImage(
'
iMaxSharp
'
,iMaxSharp)
cv.ShowImage(
'
image
'
,image)
cv.ShowImage(
'
iAddSharp
'
,iAddSharp)
cv.ShowImage(
'
iRAddSharp
'
,iRAddSharp)
cv.ShowImage(
'
iRMaxSharp
'
,iRMaxSharp)
cv.WaitKey(0) 我们来看看运行结果
下面是Roberts梯度
可以比较下两种方法的效果
(2)其他锐化算子
利用梯度和差分原理可以组成以下锐化算子
1.Sobel算子
2.Prewitt算子
3.Isotropic算子
好啦,我们还是写程序吧
import
cv
def
SuanSharp(image,arrayX,arrayY):
w
=
image.width
h
=
image.height
size
=
(w,h)
iSuanSharp
=
cv.CreateImage(size,
8
,
1
)
tmpX
=
[0]
*
9
tmpY
=
[0]
*
9
for
i
in
range(
1
,h
-
1
):
for
j
in
range(
1
,w
-
1
):
for
k
in
range(
3
):
for
l
in
range(
3
):
tmpX[k
*
3
+
l]
=
image[i
-
1
+
k,j
-
1
+
l]
*
arrayX[k
*
3
+
l]
tmpX[k
*
3
+
l]
=
image[i
-
1
+
k,j
-
1
+
l]
*
arrayX[k
*
3
+
l]
iSuanSharp[i,j]
=
sum(tmpX)
+
sum(tmpY)
return
iSuanSharp
image
=
cv.LoadImage(
'
lena.jpg
'
,0)
SobelX
=
[
1
,0,
-
1
,
2
,0,
-
2
,
1
,0,
-
1
]
SobelY
=
[
-
1
,
-
2
,
-
1
,0,0,0,
1
,
2
,
1
]
PrewittX
=
[
1
,0,
-
1
,
1
,0,
-
1
,
1
,0,
-
1
]
PrewittY
=
[
-
1
,
-
1
,
-
1
,0,0,0,
1
,
1
,
1
]
IsotropicX
=
[
1
,0,
-
1
,
1.414
,0,
-
1.414
,
1
,0,
-
1
]
IsotropicY
=
[
-
1
,
-
1.414
,
-
1
,0,0,0,
1
,
1.414
,
1
]
iSobelSharp
=
SuanSharp(image,SobelX,SobelY)
iPrewittSharp
=
SuanSharp(image,PrewittX,PrewittY)
iIsotropicSharp
=
SuanSharp(image,IsotropicX,IsotropicY)
cv.ShowImage(
'
image
'
,image)
cv.ShowImage(
'
iPrewittSharp
'
,iPrewittSharp)
cv.ShowImage(
'
iSobelSharp
'
,iSobelSharp)
cv.ShowImage(
'
iIsotropicSharp
'
,iIsotropicSharp)
cv.WaitKey(0)
看看运行效果吧
好吧,这三个图的运算花了好几秒的时间,循环太多了,其实可以用numpy做矩阵运算
我们在这里主要学习图像处理原理,不是学习编程
(3)拉普拉斯运算
拉普拉斯运算比较适合于改善因为光线的漫反射而造成的图像模糊,拉普拉斯算子法是常用的边缘增强处理算子
它是各向同性的二阶导数
对于连续二元函数有:
整理后有:
可以得到拉普拉斯算子模板:
看看运行效果
而对于Photoshop这类软件来说,锐化和我这里所说的锐化不同
它是在原图基础上,加强边缘效果
我们只要把模板适当改动就能实现这样的效果
还有一种思路,我们在前面讲了图像的平滑,我们用原图减去平滑后的图像
得到的就是锐化边缘了
第四幅图我们对轮廓线做了对数灰度变换,前面讲过的
不过,效果没有前面直接锐化清晰
我们还可以在原图上乘以一个大于1的因子再减去模糊后的图像
得到如下结果
好啦,图像空域的锐化处理就讲到这里啦,是不是很简单呢?