多媒体技术与应用|图像处理|图像锐化

图像锐化

加强图象轮廓、细节及灰度跳变部分，使图象看起来比较清晰或形成完整的物体边界进行区域检测或将物体从图像中分离出来。
数字边缘模型

斜坡的产生是由光学系统、取样和图像采集系统的不完善带来的边缘模糊造成的。
边缘检测
脉冲状边缘、阶跃脉冲状边缘

图象轮廓是灰度陡然变化的部分，包含着丰富的空间高频成分。
把高频分量相对突出，显然可使轮廓清晰。
图像模糊的实质是图像受到平均或积分运算。为实现锐化，须用它的反运算—微分。

Prewitt算子 Sobel算子：

计算中，负值取绝对值，大于255按照255算。

|Gx|，x方向上的梯度分量,水平细节非常清楚。
|Gy|，y方向上的梯度分量,垂直细节非常清楚。
梯度图像|Gx|+|Gy|，水平和垂直细节非常清楚。

Robert罗伯特算子：
Prewitt和Sobel算子是计算数字梯度时最常用的算子。
Prewitt模板比Sobel模板简单，但Sobel模板能够有效抑制噪声。
拉普拉斯算子

拉普拉斯算子是一个标量而不是向量，具有线性特性和旋转不变，即各向同性的性质。
拉普拉斯算子的缺点：拉普拉斯算子对噪声具有敏感性；
拉普拉斯算子的幅值产生双边缘；
拉普拉斯算子不能检测边缘的方向。
优点：
可以利用零交叉的性质进行边缘定位；
可以确定一个像素是在边缘暗的一边还是亮的一边。
Log高斯型拉普拉斯算子：

高斯型函数的目的是对图像进行平滑处理；
拉普拉斯算子的目的是提供一幅用零交叉确定边缘位置的图像；
平滑处理减少了噪声的影响。

（对比二阶拉普拉斯算子和一阶Sobel梯度算子）
缺点：
边缘由许多闭合环的零交叉点决定；
零交叉点的计算比较复杂。
优点：
零交叉点图像中的边缘比梯度边缘细；
抑制噪声的能力和反干扰性能。
结论：梯度算子具有更多的应用。
边缘检测
一阶导数可用于检测图像中的一个点是否在边缘上；
二阶导数可以判断一个边缘像素是在边缘亮的一边还是暗的一边；
一条连接二阶导数正值和负值的虚构直线将在边缘中点附近穿过零点；
一阶导数使用梯度算子，二阶导数使用拉普拉斯算子。

模板匹配

在恒定亮度背景下,有一亮点,当模板中心正好处于图像上的亮点位置时,计算值最大(达到完全匹配),从而实现了对该亮点的检测。
实现匹配的几种模板：
点模板：

线模板：

最后一个错啦，应该是对角线是2，其余是-1.

方向模板

边缘连接和边界检测
利用前面的方法检测出边缘点,但由于噪声、光照不均等因素的影响，获得边缘点有可能是不连续的，必须使用连接过程将边缘像素组合成有意义的边缘信息，以备后续处理。
边界跟踪
从图像中一个边缘点出发，然后根据某种判别准则搜索下一个边缘点以此跟踪出目标边界。
确定边界的起始搜索点，起始点的选择很关键，对某些图像，选择不同的起始点会导致不同的结果。
确定合适边界判别准则和搜索准则，判别准则用于判断一个点是不是边界点，搜索准则则指导如何搜索下一个边缘点。
确定搜索的终止条件。
Hough变换
Hough变换可以用于将边缘像素连接起来得到边界曲线。
优点在于受噪声和曲线间断的影响较小，在已知曲线形状的条件下，Hough变换实际上是利用分散的边缘点进行曲线逼近，它也可看成是一种聚类分析技术。

阈值处理

基本全局阈值

基本自适应阈值
将图像进一步细分为子图像，并对不同的子图像使用不同的阈值处理；
解决的关键问题：如何将图像进行细分和如何为得到的子图像估计阈值；
自适应阈值：取决于像素在子图像中的位置。

最佳全局阈值


区域分割
阈值分割法由于没有或很少考虑空间关系，使多阈值选择受到限制。
基于区域的分割方法可以弥补这点不足，它利用的是图像的空间性质，该方法认为
分割出来的属于同一区域的像素应具有相似的性质，其概念是相当直观的。
传统的区域分割算法有区域生长法和区域分裂合并法。该类方法在没有先验知识可
以利用时，对含有复杂场景或自然景物等先验知识不足的图像进行分割, 也可以取得
较好的性能。但是，空间和时间开销都比较大。

区域生长和区域分裂
区域分裂合并法无需预先指定种子点,它按某种一致性准则分裂或者合并区域.可以先进行分裂运算,然后再进行合并运算;也可以分裂和合并运算同时进行,经过连续的分裂和合并,最后得到图像的精确分割效果。
水域分割
又称Watershed变换，借鉴形态学理论的分割方法，利用图像区域特性来分割图像，将边缘检测与区域生长的优点结合起来，能得到单像素宽的、连通的、封闭的、位置准确的轮廓。