锐化

图像处理之图像的平滑与锐化 概念： 锐化就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。锐化处理在增强图象边缘的同时增加了图象的噪声。 平滑与锐化相反，就是滤掉高频分量，从而达到减少图象噪声，使图片变得有些模糊。 一、灰度化 灰度化，也就是黑白化，就是将图像进行黑白处理，使其失去色彩。而从像素点出发，就是使各个像素点的三种颜色分量R、G、B的值相同。 常用的黑白化的方法有三种： 第一种是最大值法(Maximum)： 第二种就是平均值法(Average)： 第三种是加权平均值法(Weighted Average)： 鉴于本人只使用了第二种，所以就先贴上第二种的代码： src=imread('background.bmp'); [m,n,channel]=size(src); desc=zeros(m,n); desc=double(desc); for i=1:m for j=1:n for k=1:channel desc(i,j)=desc(i,j)+src(i,j,k); end desc(i,j)=desc(i,j)/3; end end imshow(uint8(desc)); 二、锐化 锐化就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。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

大家都可能知道用二阶拉普拉斯算子可以对图像进行锐化操作，但是为什么是二阶而不是一阶呢？ 链接：https://zhuanlan.zhihu.com/p/79548457 来源：51CTO 作者： weixin_41269731 链接：https://blog.csdn.net/weixin_41269731/article/details/101053007

USM 锐化增强算法 知识点 python代码 c++代码 知识点 USM 锐化增强算法 图像卷积处理实现锐化有一种常用的算法叫做Unsharpen Mask方法，这种锐化的方法就是对原图像先做一个高斯模糊，然后用原来的图像减去一个系数乘以高斯模糊之后的图像，然后再把值Scale到0～255的RGB像素值范围之内。基于USM锐化的方法可以去除一些细小的干扰细节和噪声，比一般直接使用卷积锐化算子得到的图像锐化结果更加真实可信。 USM锐化公式表示如下： （源图像– w*高斯模糊）/（1-w）；其中w表示权重（0.1～0.9），默认为0.6 OpenCV中的代码实现步骤 高斯模糊 权重叠加 输出结果 python代码 import cv2 as cv import numpy as np src = cv . imread ( "C:/Users/qqxd/Desktop/opencvcode/images/master.jpg" ) cv . namedWindow ( "input" , cv . WINDOW_AUTOSIZE ) cv . imshow ( "input" , src ) # sigma = 5、15、25 blur_img = cv . GaussianBlur ( src , ( 0 , 0 ) , 5 ) usm = cv . addWeighted (

关于具体在实际场景的使用和图像会慢慢更新。 梯度锐化方法 图像平滑往往使图像中的边界、轮廓变得模糊，为了减少影响，需要利用图像锐化技术，使边缘变得清晰。常用的方法有： 直接以梯度值代替 辅以门限判断 给边缘规定一个特定的灰度级 给背景规定灰度级 根据梯度二值化图像 梯度运算 　　梯度锐化中，首先应该知道梯度是什么，怎么计算。 　　梯度是一个矢量，由分别沿x方向和y方向计算微分的结果构成。 　　构成有以下几种方式： 梯度锐化 直接以梯度值代替 思路：目标图像像素点用双向一次微分结果替代。 for(int i = 1; i < Use_ROWS- 1; i++) { for(int j = 1; j < Use_Line -1; j++) { Image_Use[i][j] = sqrt((Image_Use[i][j+1] - Image_Use[i][j])*(Image_Use[i][j+1] - Image_Use[i][j])+(Image_Use[i+1][j] - Image_Use[i][j])*(Image_Use[i+1][j] - Image_Use[i][j])); } } 辅以门限判断 思路：我们对梯度（变化率）取了一个预值，当图像的梯度变化很小时，本来是物体内部的数据的亮度分布不均匀产生的偏差，可以不考虑进去。只有大于等于一定预值，才认为是边界