一、空间域锐化滤波（高通滤波）
-
图像模糊通过平滑（加权平均）来实现，类似于积分运算。图像锐化则通过微分运算（有限差分）实现，使用一阶微分或二阶微分都可以得到图像灰度的变化值。
-
图像锐化的目的是增强图像的灰度跳变部分，使模糊的图像变得清晰。图像锐化也称为高通滤波，通过和增强高频，衰减和抑制低频。图像锐化常用于电子印刷、医学成像和工业检测。
- 恒定灰度区域，一阶导数为零，二阶导数为零；
- 灰度台阶或斜坡起点区域，一阶导数非零，，二阶导数非零；
- 灰度斜坡区域，一阶导数非零，二阶导数为零。
二、钝化掩蔽
- 简单地，从原始图像中减去一幅平滑处理的钝化图像，也可以实现图像锐化效果，称为钝化掩蔽。
令表示平滑图像，则：
当 k>1 时，实现高提升滤波；当 k=1 时，实现钝化掩蔽；k<1时，减弱钝化掩蔽。
-
因此，钝化掩蔽的实现过程是：
（1）对原始图像进行平滑处理，得到平滑图像；
（2）从原始图像中减去平滑图像，产生掩蔽模板；
（3）将原始图像与掩蔽模板加权相加，得到钝化掩蔽。 -
原图减去模糊图的结果为模板，输出图像等于原图加上加权后的模板，当权重为1得到非锐化掩蔽，当权重大于1成为高提升滤波。
-
钝化掩蔽没有直接计算和使用梯度算子，但减法运算具有微分运算的特征，因此本质上是梯度算法，可以实现锐化滤波的效果。
三、例程
- 1.77：图像锐化: 钝化掩蔽
import cv2
from matplotlib import pyplot as plt
# 1.77：图像锐化: 钝化掩蔽
img = cv2.imread(r"e:/opencv/bgra.png", flags=0)
# 对原始图像进行平滑，GaussianBlur(img, size, sigmaX)
imgGauss = cv2.GaussianBlur(img, (5,5), sigmaX=5)
imgGaussNorm = cv2.normalize(imgGauss,dst=None,alpha=0,beta=255,norm_type=cv2.NORM_MINMAX)
# 掩蔽模板：从原始图像中减去平滑图像
imgMask = img - imgGaussNorm
passivation1 = img + 0.6 * imgMask # k<1 减弱钝化掩蔽
imgPas1 = cv2.normalize(passivation1, None, 0, 255, cv2.NORM_MINMAX)
passivation2 = img + imgMask # k=1 钝化掩蔽
imgPas2 = cv2.normalize(passivation2, None, 0, 255, cv2.NORM_MINMAX)
passivation3 = img + 2 * imgMask # k>1 高提升滤波
imgPas3 = cv2.normalize(passivation3, None, 0, 255, cv2.NORM_MINMAX)
plt.figure(figsize=(10, 7))
titleList = ["1. Original", "2. GaussSmooth", "3. MaskTemplate",
"4. Passivation(k=0.5)", "5. Passivation(k=1.0)", "6. Passivation(k=2.0)"]
imageList = [img, imgGauss, imgMask, imgPas1, imgPas2, imgPas3]
for i in range(6):
plt.subplot(2,3,i+1), plt.title(titleList[i]), plt.axis('off')
plt.imshow(imageList[i], 'gray', vmin=0, vmax=255)
plt.tight_layout()
plt.show()
四、资料
youcans_的博客：
https://blog.csdn.net/youcans/article/details/122034827
网友评论