图像锐化的简单方法

最新推荐文章于 2024-07-23 10:41:22 发布

73826669

最新推荐文章于 2024-07-23 10:41:22 发布

阅读量486

点赞数

分类专栏：图像处理文章标签：计算机视觉机器学习深度学习

本文链接：https://blog.csdn.net/weixin_41932046/article/details/124816325

版权

图像处理专栏收录该内容

2 篇文章 0 订阅

订阅专栏

文章目录

拉普拉斯法
- 拉普拉斯算子
- 用拉普拉斯锐化图像
模板法
梯度法

拉普拉斯法

拉普拉斯算子

拉普拉斯算子定义为：
$\nabla^2 f=\frac{\partial^2 f}{\partial x^2}+\frac{\partial^2 f}{\partial y^2}.$

在 $x$ 方向离散有
$\frac{\partial^2 f}{\partial x^2}=f(x+1,y)+f(x-1,y)-2f(x,y),$
同理在 $y$ 方向的离散有
$\frac{\partial^2 f}{\partial x^2}=f(x,y+1)+f(x,y-1)-2f(x,y),$
从而离散的拉普拉斯是
$\nabla^2 f(x,y)=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)$
这使得拉普拉斯可以通过卷积进行运算，可以考虑的卷积核有

0	1	0		1	1	1		0	-1	0		-1	-1	-1
1	-4	1		1	-8	1		-1	4	-1		-1	8	-1
0	1	0		1	1	1		0	-1	0		-1	-1	-1

以第一个核为例，拉普拉斯可以写成
$\begin{aligned} \nabla^2 f(x,y)&=\sum_{s=-1}^1\sum_{t=-1}^1w(s,t)f(x-s,y-t) \\ &=1\cdot f(x+1,y)+1\cdot f(x,y+1)-4\cdot f(x,y)+1\cdot f(x,y-1)+1\cdot f(x-1,y) \\ &=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y). \end{aligned}$
上面计算过程中发现 $w (- 1, - 1)$ 乘在了 $f (x + 1, y + 1)$ 处，这是因为卷积的表达式使卷积核翻转了180°。这样翻转是有道理的，这里由于卷积核的对称性不做进一步讨论。

从离散表达式可以看出，拉普拉斯是线性算子。

用拉普拉斯锐化图像

拉普拉斯图像后可以得到图像的边缘信息，叠加在原图像上就可以完成锐化：
$g(x,y)=f(x,y)+c[\nabla^2 f(x,y)].$
如果采用第一个或者第二个核，则 $c = - 1$ ；若是其他两个则取 $c = 1$

模板法

基本思路是先模糊，做差得到模板，再加回到原图像。

模糊后的图像细节丢失，原图像与模糊后的图像做差就得到细节内容，称之为模板。将模板加回到原图像中后，图像细节内容得到强化，从而达到锐化的效果。

模糊一般用高斯模糊，它依然是卷积的形式。高斯核表达式为：
$w(s,t)=Ke^{-\frac{s^2+t^2}{2\sigma^2}}.$
从而高斯模糊后的图像为：
$\overline{f}=\sum_{s=-1}^1\sum_{t=-1}^1w(s,t)f(x-s,y-t).$

与原图像做差得到模板，模板为：
$g_{mask}(x,y)=f(x,y)-\overline{f}(x,y),$
然后将加权的模板与原图像相加：
$g(x,y)=f(x,y)+kg_{mask}(x,y).$
其中 $k$ 是可调参数。

梯度法

梯度的相关定义

图像 $f$ 在坐标 $(x, y)$ 处的梯度定义为
$\nabla f=\left( \begin{aligned} g_x \\ g_y \end{aligned} \right)=\left( \begin{aligned} \partial f / \partial x \\ \partial f/ \partial y \end{aligned} \right).$
幅度（长度）
$M(x,y)=||f||=\sqrt{g_x^2+g_y^2},$
有些时候用绝对值近似平方与平方根运算：
$M(x,y)\approx|g_x|+|g_y|$
为方便讨论，做如下记号：