不同图像锐化算子提取的图像信息有哪些不同_【图像处理】轻松搞懂图像锐化...

图像锐化的目的是使模糊图像变清晰，方法可以大致分为两类：微分法、高频加重滤波法。其中微分法可以分为梯度法、Sobel算子法、Laplace算子法。

在做图像锐化时要注意，处理的图像必须有较高的信噪比，否则锐化会使噪声收到比信号还强的增强，一般先降噪后锐化。

微分法

微分运算是求信号的变化率，加强高频分量，使图像轮廓清晰。希望通过导数运算使边缘和轮廓变清晰，这就要求该导数运算是各向同性的（旋转不变性），可以证明偏导数的平方和运算具有此性质。

1. 梯度法

对于图像

,在点

处的梯度是一个矢量，定义为

。

梯度的幅度表示为

对于数字图像而言，

，

该式可以简化成

各个像素的位置

图像的最后一行（列）的梯度无法求得，一般用前一行（列）的梯度代替。

当梯度计算完之后，可以根据需要生成不同的梯度增强图像，

1）第一种，

，只显示灰度变化大的边缘轮廓，灰度变化平缓的呈黑色。

2）第二种，

可以显示出非常明显的边缘轮廓，又不会破坏原灰度变化平缓的背景。

3）第三种，

边缘轮廓用固定的灰度级

表示。

4）第四种，

背景用固定灰度级

表示，便于研究边缘灰度的变化。

5）第五种，

将背景和边缘用二值图像表示，便于研究边缘所在位置。

2. Sobel算子

采用梯度微分锐化图像，会让噪声、条纹得到增强，Sobel算子在一定程度上解决了这个问题，

从这个式子中，可以得到两个性质，

• Sobel引入了平均的因素，因此对噪声有一定的平滑作用
• Sobel算子的操作就是相隔两个行（列）的差分，所以边缘两侧元素的得到了增强，因此边缘显得粗而亮。

Sobel算子表示形式为：

3. 拉普拉斯算子（二阶微分）

拉普拉斯运算也是各向同性的线性运算。拉普拉斯算子为：

,锐化之后的图像

为扩散效应的系数。

由此式可知，数字图像在

点的拉普拉斯算子，可以由该点的灰度值减去该点及其邻域四个点的平均灰度值求得。

拉普拉斯算子的模板图可表示为：

还有其他的常用拉普拉斯模板：

高通滤波

高通滤波法采用高通滤波器让高频分量通过，使图像的边缘和线条变得清楚，实现锐化。

高通滤波器而用空域法和频域法实现，在空间域使用卷积方法，模板如

可以看出和拉普拉斯算子基本相同。

个人理解：为了能够让高频通过，

点与其四个邻域点应该满足可以过零的性质，因为导数跨零，原函数曲线不会是单调的，必然会在零点处改变单调性，产生高频效果。

代码

Sobel算子

import 

灰度图 以及 Sobel算子

Laplace算子

import cv2
import matplotlib.pyplot as plt

plt.subplot(1, 2, 1)
img = cv2.imread("image.jpg", 0)  # 0为灰度图
plt.imshow(img)

plt.subplot(1, 2, 2)
depth = cv2.CV_16S
kernel_size = (3, 3)  # 模板大小
scale = 1  # 扩散系数
laplace_img = cv2.Laplacian(img, depth, kernel_size, scale=scale)

plt.imshow(laplace_img)
plt.show()

灰度图 以及 Laplace算子