python图像锐化算法 图像处理 锐化

6 图像的锐化处理

---

目录

• （一）图像锐化的概念
• （二）图像锐化的方法

• 1）一阶微分锐化

• ① 单方向的一阶锐化
• ② 无方向一阶锐化

• 2）二阶微分锐化
• 3）一阶与二阶微分的边缘提取效果比较

（一）图像锐化的概念

图像锐化的概念
图像锐化的目的是加强图像中景物的细节边缘和轮廓。
锐化的作用是使灰度反差增强。
因为边缘和轮廓都位于灰度突变的地方。所以锐化算法的实现是基于微分作用。

图像细节的灰度变化特性

（二）图像锐化的方法

1）一阶微分锐化

基本原理
对于一元函数$f(t)$，一阶微分算子可以定义如下： $▽ f(t)= f(t+1)- f(t)$
对于二元图像（函数）$f(x,y)$，一阶微分的定义是通过梯度实现的。

梯度的定义
图像$f(x,y)$ 在其坐标$(x,y)$ 上的梯度是一个二维列向量：
$▽ f(x,y)= {bmatrix}=\begin{bmatrix} Gx\\ Gy\end{bmatrix}=\begin{bmatrix} \frac{\delta f}{\delta x}\\ \frac{\delta f}{\delta y}\end{bmatrix}$
其中$▽ f$ 的大小为$f(x,y)$ 的最快变化率；$▽ f$ 的方向为$f(x,y)$

梯度的模

梯度的物理意义

梯度的物理意义：任一点(x,y)处一个边缘的方向与该点处的梯度向量的方向正交。

在灰度变化平缓的区域其梯度值较小，图像中灰度变化较大的边缘区域梯度值大，而在灰度均匀区域其梯度值为零。

为了度量图像灰度的变化，需要建立一种向量与数量之间的映射关系。映射关系不同，则对应不同的一阶微分算子。

① 单方向的一阶锐化

基本原理
单方向的一阶锐化是指对某个特定方向上的边缘信息进行增强。
因为图像为水平、垂直两个方向组成，所以，所谓的单方向锐化实际上是包括水平方向与垂直方向上的锐化。

水平方向的一阶锐化

基本方法

水平方向的锐化非常简单，通过一个可以检测出水平方向上的像素值的变化模板来实现。

 

垂直方向的一阶锐化

基本方法

垂直锐化算法的设计思想与水平锐化算法相同，通过一个可以检测出垂直方向上的像素值的变化模板来实现。

 

② 无方向一阶锐化

问题的提出

前面的锐化处理结果对于人工设计制造的具有矩形特征物体（例如：楼房、汉字等）的边缘的提取很有效。但是，对于不规则形状（如：人物）的边缘提取，则存在信息的缺损

设计思想

为了解决上面的问题，就希望提出对任何方向上的边缘信息均敏感的锐化算法。

因为这类锐化方法要求对边缘的方向没有选择，所有称为无方向的锐化算法。

几种方法的效果比较

Sobel算法与Priwitt算法的思路相同，属于同一类型，因此处理效果基本相同。

Roberts算法的模板为$2*2$，提取出的信息较弱。

单方向锐化经过后处理之后，也可以对边界进行增强。

2）二阶微分锐化

问题的提出

从图像的景物细节的灰度分布特性可知，有些灰度变化特性一阶微分的描述不是很明确，为此，采用二阶微分能够更加获得更丰富的景物细节。

景物细节对应关系

1）对于突变形的细节，通过一阶微分的极大值点，二阶微分的过0点均可以检测出来。

2）对于细线形的细节，通过一阶微分的过0点，二阶微分的极小值点均可以检测出来。

3）对于渐变的细节，一般情况下很难检测，但二阶微分的信息比一阶微分的信息略多。

算法推导

Laplacian 算法

由前面的推导，写成模板系数形式形式即为Laplacian算子：

$H_1=\begin{bmatrix} 0 & -1 & 0 \\ -1 & 4 & -1 \\ 0& -1 & 0 \\ \end{bmatrix}$

Laplacian变形算法
为了改善锐化效果，可以脱离微分的计算原理，在原有的算子基础上，对模板系数进行改变，获得Laplacian变形算子如下所示。
$H_2=\begin{bmatrix} -1 & -1 & -1 \\ -1 & 8 & -1 \\ -1 & -1 & -1 \\ \end{bmatrix} \quad H_3=\begin{bmatrix} 1 & -2 & 1 \\ -2 & 4 & -2 \\ 1& -2 & 1 \\ \end{bmatrix} \quad H_4=\begin{bmatrix} 0 & -1 & 0 \\ -1 & 5 & -1 \\ 0& -1 & 0 \\ \end{bmatrix}$

Laplacian锐化边缘提取
经过Laplacian锐化后，我们来分析几种变形算子的边缘提取效果： H1,H2的效果基本相同，H3的效果最不好，H4最接近原图。

Wallis算法

考虑到人的视觉特性中包含一个对数环节，因此在锐化时，加入对数处理的方法来改进。

在前面的算法公式中注意以下几点：

1）为了防止对0取对数，计算时实际上是用$log(f(i,j)+1)$;

2）因为对数值很小$log(256)=5.45$,所以计算时用$46*log(f(i,j)+1)$。 （46=255/log(256)）

算法特点：
Wallis算法考虑了人眼视觉特性，因此，与Laplacian等其他算法相比，可以对暗区的细节进行比较好的锐化。

3）一阶与二阶微分的边缘提取效果比较

以Sobel及Laplacian算法为例：

• Sobel算子获得的边界是比较粗略的边界，反映的边界信息较少，但是所反映的边界比较清晰。
• Laplacian算子获得的边界是比较细致的边界。反映的边界信息包括了许多的细节信息，但是所反映的边界不是太清晰。

bingo~   ✨ 如果我们不再把永恒看作时间上的无穷无尽，而是看作一个超越时间的状态，那么，永恒的生命属于那些活在当下的人。