图像处理-平滑和锐化

1．平滑（smoothing）
先举个例子说明一下什么是平滑，如下图所示:

可以看到，图2 比图1 柔和一些（也模糊一些）。是不是觉得很神奇？其实实现起来很简单。我们将原图中
的每一点的灰度和它周围八个点的灰度相加，然后除以9，作为新图中对应点的灰度，就能实现上面的效
果。这么做并非瞎蒙，而是有其道理的。大概想一想，也很容易明白。举个例子，就象和面一样，先在中
间加点水，然后不断把周围的面和进来，搅拌几次，面就均匀了。
用信号处理的理论来解释，这种做法实现的是一种简单的低通滤波器（low pass filter）。在灰度连续变化
的图象中，如果出现了与相邻像素的灰度相差很大的点，比如说一片暗区中突然出现了一个亮点，人眼能
很容易觉察到。就象看老电影时，由于胶片太旧，屏幕上经常会出现一些亮斑。这种情况被认为是一种噪
声。灰度突变在频域中代表了一种高频分量，低通滤波器的作用就是滤掉高频分量，从而达到减少图象噪
声的目的。
为了方便的叙述上面所说的"将原图中的每一点的灰度和它周围八个点的灰度相加，然后除以9，作为新图
中对应点的灰度"这一操作，我们用如下的表示方法:

这种表示方法有点象矩阵，我们称其为模板(template)。中间的黑点表示中心元素(此处用*表示)，即，用哪
个元素做为处理后的元素。例如(2* 1)表示将自身的2 倍加上右边的元素作为新值，而(2 1*)表示将自身加
上左边元素的2 倍作为新值。通常，模板不允许移出边界，所以结果图象会比原图小，例如模板
原图是，经过模板操作以后的图像为，数字代表灰度，x表示边界上无法进行模板操作的点，通常的做法是复制原图的灰度，不进行任何处理。
模板操作实现了一种邻域运算(Neighborhood Operation)，即，某个像素点的结果不仅和本像素灰度有关，
而且和其邻域点的值有关。在以后介绍的细化算法中，我们还将接触到邻域运算。模板运算的数学涵义是
一种卷积（或互相关）运算，你不需要知道卷积的确切概念，有这么一个概念就可以了。

模板运算在图象处理中经常要用到，可以看出，它是一项非常耗时的运算，以为例，每个像素完成一次模板操作要用9个乘法，8个加法，1个除法。对于一幅N*N(宽度*高度)的图象，就是9N^2个乘法，8N^2个加法和N^2个除法，算法复杂度为 O(N^2)，这对于大图象来说，是非常可怕的。所以，一般常用的模板并不大，如3*3，4*4。有很多专用的图象处理系统，用硬件来完成模板运算，大大提高了速度。另外，可以设法将2维模板运算转换成1维模板运算，对速度的提高也是非常可观的。例如，(2)式可以分解成一个水平模板和一个竖直模板，即，

我们来验证一下，设图像为，经过（3.2）式处理以后变为，经过2.1处理以后结果相同，如果计算时不考虑周围一圈的像素，前者做了4*（9个乘法，8个加法，1个除法），共36个乘法，32个加法，4个除法；后者做了4*（3个乘法，2个加法）+4*（3个乘法，2个加法）+4个除法，共24个乘法，16个加法，4个除法，运算简化了不少，如果是大图，效率的提高将是非常客观的。

平滑模板的思想是通过一点和周围8个点的平均来去除突然变化的点，从而滤掉一定的噪声，其代价是图象有一定程度的模糊。上面提到的模板（1），就是一种平滑模板，称之为Box模板。Box模板虽然考虑了邻域点的作用，但并没有考虑各点位置的影响，对于所有的9个点都一视同仁，所以平滑的效果并不理想。实际上我们可以想象，离某点越近的点对该点的影响应该越大，为此，我们引入了加权系数，将原来的模板改造为：

可以看出，距离越近的点，加权系数越大。新的模板其实也是一个常用的平滑模板，称为高斯(Gauss)模板。为什么叫这个名字，这是因为这个模板是通过采样2维高斯函数得到的。

下图中，从左到右分别是原图，经过高斯模板处理的图，和经过BOX模板处理的图。可以看出，采用高斯模板在平滑处理的过程中，效果要比Box模板清晰一些。

2.中值滤波
中值滤波也是一种典型的低通滤波器，它的目的是保护图象边缘的同时去除噪声。所谓中值滤波，就是指把以某点(x,y)为中心的小窗口内的所有像素的灰度按从大到小的顺序排列，将中间值作为(x,y)处的灰度值(若窗口中有偶数个像素，则取两个中间值的平均)。中值滤波是如何去除噪声的呢？举个例子就很容易明白了。

上图中左边是原图，数字代表该处的灰度。可以看出中间的6和周围的灰度相差很大，是一个噪声点。经过3*1窗口（即水平3个像素取中间值）的中值滤波，得到右边那幅图，可以看出，噪声点被去除了。拿中值滤波和上面介绍的两种平滑模板做个比较，看看中值滤波有什么特点。

1.中值滤波的特点是保护图象边缘的同时去除噪声。

我们以一维模板为例，只考虑水平方向，大小为3*1(宽*高)。Box模板为；Gauss模板为
结果如下所示：

               

2.中值滤波对高斯噪声无效，高斯模板对高斯噪声非常有效。

            

3.中值滤波对脉冲噪声非常有效。

            

总结：中值滤波容易去除孤立点，线的噪声同时保持图象的边缘，它能很好的去除二值噪声，但对高斯噪声无能为力。要注意的是，当窗口内噪声点的个数大于窗口宽度的一半时，中值滤波的效果不好。这是很显然的。

3.锐化

锐化和平滑恰恰相反，它是通过增强高频分量来减少图象中的模糊，因此又称为高通滤波（high pass filter）。锐化处理在增强图象边缘的同时增加了图象的噪声。常用的锐化模板是拉普拉斯(Laplacian)模板。

                                   

容易看出拉普拉斯模板的含义，先将自身与周围的8个像素相减，表示自身与周围像素的差别，再将这个差别加上自身作为新像素的灰度。可见，如果一片暗区出现了一个亮点，那么锐化处理的结果是这个亮点变得更亮，增加了图象的噪声.

图1经过拉普拉斯模板处理后，如图4所示: