拉普拉斯法
拉普拉斯算子
拉普拉斯算子定义为:
∇
2
f
=
∂
2
f
∂
x
2
+
∂
2
f
∂
y
2
.
\nabla^2 f=\frac{\partial^2 f}{\partial x^2}+\frac{\partial^2 f}{\partial y^2}.
∇2f=∂x2∂2f+∂y2∂2f.
在
x
x
x方向离散有
∂
2
f
∂
x
2
=
f
(
x
+
1
,
y
)
+
f
(
x
−
1
,
y
)
−
2
f
(
x
,
y
)
,
\frac{\partial^2 f}{\partial x^2}=f(x+1,y)+f(x-1,y)-2f(x,y),
∂x2∂2f=f(x+1,y)+f(x−1,y)−2f(x,y),
同理在
y
y
y方向的离散有
∂
2
f
∂
x
2
=
f
(
x
,
y
+
1
)
+
f
(
x
,
y
−
1
)
−
2
f
(
x
,
y
)
,
\frac{\partial^2 f}{\partial x^2}=f(x,y+1)+f(x,y-1)-2f(x,y),
∂x2∂2f=f(x,y+1)+f(x,y−1)−2f(x,y),
从而离散的拉普拉斯是
∇
2
f
(
x
,
y
)
=
f
(
x
+
1
,
y
)
+
f
(
x
−
1
,
y
)
+
f
(
x
,
y
+
1
)
+
f
(
x
,
y
−
1
)
−
4
f
(
x
,
y
)
\nabla^2 f(x,y)=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)
∇2f(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
∇
2
f
(
x
,
y
)
=
∑
s
=
−
1
1
∑
t
=
−
1
1
w
(
s
,
t
)
f
(
x
−
s
,
y
−
t
)
=
1
⋅
f
(
x
+
1
,
y
)
+
1
⋅
f
(
x
,
y
+
1
)
−
4
⋅
f
(
x
,
y
)
+
1
⋅
f
(
x
,
y
−
1
)
+
1
⋅
f
(
x
−
1
,
y
)
=
f
(
x
+
1
,
y
)
+
f
(
x
−
1
,
y
)
+
f
(
x
,
y
+
1
)
+
f
(
x
,
y
−
1
)
−
4
f
(
x
,
y
)
.
\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}
∇2f(x,y)=s=−1∑1t=−1∑1w(s,t)f(x−s,y−t)=1⋅f(x+1,y)+1⋅f(x,y+1)−4⋅f(x,y)+1⋅f(x,y−1)+1⋅f(x−1,y)=f(x+1,y)+f(x−1,y)+f(x,y+1)+f(x,y−1)−4f(x,y).
上面计算过程中发现
w
(
−
1
,
−
1
)
w(-1,-1)
w(−1,−1)乘在了
f
(
x
+
1
,
y
+
1
)
f(x+1,y+1)
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
[
∇
2
f
(
x
,
y
)
]
.
g(x,y)=f(x,y)+c[\nabla^2 f(x,y)].
g(x,y)=f(x,y)+c[∇2f(x,y)].
如果采用第一个或者第二个核,则
c
=
−
1
c=-1
c=−1;若是其他两个则取
c
=
1
c=1
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
)
=
K
e
−
s
2
+
t
2
2
σ
2
.
w(s,t)=Ke^{-\frac{s^2+t^2}{2\sigma^2}}.
w(s,t)=Ke−2σ2s2+t2.
从而高斯模糊后的图像为:
f
‾
=
∑
s
=
−
1
1
∑
t
=
−
1
1
w
(
s
,
t
)
f
(
x
−
s
,
y
−
t
)
.
\overline{f}=\sum_{s=-1}^1\sum_{t=-1}^1w(s,t)f(x-s,y-t).
f=s=−1∑1t=−1∑1w(s,t)f(x−s,y−t).
与原图像做差得到模板,模板为:
g
m
a
s
k
(
x
,
y
)
=
f
(
x
,
y
)
−
f
‾
(
x
,
y
)
,
g_{mask}(x,y)=f(x,y)-\overline{f}(x,y),
gmask(x,y)=f(x,y)−f(x,y),
然后将加权的模板与原图像相加:
g
(
x
,
y
)
=
f
(
x
,
y
)
+
k
g
m
a
s
k
(
x
,
y
)
.
g(x,y)=f(x,y)+kg_{mask}(x,y).
g(x,y)=f(x,y)+kgmask(x,y).
其中
k
k
k是可调参数。
梯度法
梯度的相关定义
图像
f
f
f在坐标
(
x
,
y
)
(x,y)
(x,y)处的梯度定义为
∇
f
=
(
g
x
g
y
)
=
(
∂
f
/
∂
x
∂
f
/
∂
y
)
.
\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).
∇f=(gxgy)=(∂f/∂x∂f/∂y).
幅度(长度)
M
(
x
,
y
)
=
∣
∣
f
∣
∣
=
g
x
2
+
g
y
2
,
M(x,y)=||f||=\sqrt{g_x^2+g_y^2},
M(x,y)=∣∣f∣∣=gx2+gy2,
有些时候用绝对值近似平方与平方根运算:
M
(
x
,
y
)
≈
∣
g
x
∣
+
∣
g
y
∣
M(x,y)\approx|g_x|+|g_y|
M(x,y)≈∣gx∣+∣gy∣
为方便讨论,做如下记号:
z 1 z_1 z1 | z 2 z_2 z2 | z 3 z_3 z3 |
---|---|---|
z 4 z_4 z4 | z 5 z_5 z5 | z 6 z_6 z6 |
z 7 z_7 z7 | z 8 z_8 z8 | z 9 z_9 z9 |
其中 z 5 = f ( x , y ) z_5=f(x,y) z5=f(x,y),其他对应相关邻域值,如 z 7 = f ( x + 1 , y − 1 ) z_7=f(x+1,y-1) z7=f(x+1,y−1)。
最简近似
g x = z 8 − z 5 a n d g y = z 6 − z 5 g_x=z_8-z_5 \quad and \quad g_y=z_6-z_5 gx=z8−z5andgy=z6−z5
罗伯特交叉梯度算子
g x = z 9 − z 5 a n d g y = z 8 − z 6 g_x=z_9-z_5 \quad and \quad g_y=z_8-z_6 gx=z9−z5andgy=z8−z6
Sobel算子
g x = ( z 7 + 2 z 8 + z 9 ) − ( z 1 + 2 z 2 + z 3 ) g y = ( z 3 + 2 z 6 + z 9 ) − ( z 1 + 2 z 4 + z 7 ) \begin{aligned} g_x=(z_7+2z_8+z_9)-(z_1+2z_2+z_3) \\ g_y=(z_3+2z_6+z_9)-(z_1+2z_4+z_7) \end{aligned} gx=(z7+2z8+z9)−(z1+2z2+z3)gy=(z3+2z6+z9)−(z1+2z4+z7)
可以看到, g x g_x gx和 g y g_y gy是线性运算,并用卷积实现。而 M ( x , y ) M(x,y) M(x,y)是非线性运算。
使用梯度增强边缘
思想与前文类似,通过梯度得到边缘细节,再叠加到原图像上。
g
(
x
,
y
)
=
f
(
x
,
y
)
+
k
M
(
x
,
y
)
g(x,y)=f(x,y)+kM(x,y)
g(x,y)=f(x,y)+kM(x,y)
本文参考书籍
冈萨雷斯著,阮秋琦,阮宇智译. 数字图像处理(第四版). 电子工业出版社