图像锐化算法(Image sharpening):拉普拉斯增强和Unsharp Masking(附代码)

您所在的位置：网站首页 › image sharpening是什么 › 图像锐化算法(Image sharpening):拉普拉斯增强和Unsharp Masking(附代码)

图像锐化算法(Image sharpening):拉普拉斯增强和Unsharp Masking(附代码)

2024-07-14 07:12| 来源: 网络整理| 查看: 265

y(m,n)=x(m,n)+λ∗z(m,n)y(m,n)=x(m,n)+λ∗z(m,n) 其中x(m,n)x(m,n)是处理前图片,y(m,n)y(m,n)是锐化后，z(m,n)z(m,n)代表增强图像的边缘和细节(高频部分),λλ是增强因子,如下图所示:

1.laplacian 增强

def laplacianSharpen(im, alpha): k = np.array([[0, 0, 0, ], [0, 1, 0], [0, 0, 0]])+alpha * \ np.array([[0, -1, 0], [-1, 4, -1], [0, -1, 0]]) # k = np.array([[-1, -1, -1], [-1, 9, -1], [-1, -1, -1]]) dst = cv2.filter2D(im, -1, k) return dst

注:当然λλ也可以不固定为1，原图像加上λλ乘拉普拉斯锐化的结果，lambdalambda控制增强效果，如果觉得过于锐利，可以调小一点。

2.usm和改进usm

usm(unsharp masking):将原图像低通滤波后产生一个模糊图像，原图像与这模糊图像相减得到保留高频成份的图像。再将高频图像用一个参数放大后与原图像叠加，得到增强的图像。

def usmSharpen(src,m,sigma,amount): blur_img = cv2.GaussianBlur(src, (m, m), sigma) dst = cv2.addWeighted(src, 1+amount, blur_img, -1*amount, 0) return dst

improved usm: 1.假设原图为S,以半径r计算高斯模糊图G 2.value=S(i,j)-G(i,j) 3.锐化后的图为D:

D(i,j)={S(i,j)+amount∗value,S(i,j),abs(value)>thresholdotherwiseD(i,j)={S(i,j)+amount∗value,abs(value)>thresholdS(i,j),otherwise

def improveUSM(src, m, sigma, threshold, amount): blur = cv2.GaussianBlur(src, (m, m), sigma) diff = src-blur mask = diff < threshold dst = cv2.addWeighted(src, 1+amount, blur, -1*amount, 0) res = src*mask+dst*(1-mask) return res

注:在使用改进usm时发现出现黑点(尤其是参数高斯模糊半径m变很大时)，因为对黑暗区域的增强带来的感觉上更加明显(韦伯定律)，所以可以对value为负值时使用更小的增强因子。

def improveUSM2(src, m, sigma, threshold, amount): ''' reduce black specles ''' blur = cv2.GaussianBlur(src, (m, m), sigma) diff = src-blur mask = cv2.convertScaleAbs(diff) < threshold dst = np.zeros_like(src, dtype=np.int16) src = src.astype(np.int16) blur = blur.astype(np.int16) diff2 = src-blur mask2 = diff2 < 0 neg = diff2*mask2 pos = diff2*(1-mask2) dst = src+amount*pos+amount*0.5*neg dst = dst.clip(0, 255) return dst2

另一种usm的优化: 根据阈值比较结果,处理更平滑自然(主要是对mask做了模糊处理)

def improveUSM3(src, m, sigma, threshold, amount): blur = cv2.GaussianBlur(src, (m, m), sigma) diff = src-blur mask = diff < threshold dst = cv2.addWeighted(src, 1+amount, blur, -1*amount, 0) mask = mask.astype(np.int16) mask2 = cv2.GaussianBlur(mask, (m, m), sigma) res = src*mask2+dst*(1-mask2) return res 3.其他改进

two drawbacks of USM: 1.noise amplification(噪声也属于高频部分，所以增强细节同时会增强噪声) 2.overshoot effect(见下图)

改进思路，无非是从λλ和z(m,n)z(m,n)两个方面去优化，下面几篇论文，第一篇改进usm的根据阈值截断处理，使用更平滑的处理方式，第二篇是从改变z(m,n)z(m,n)的计算上，使用非线性核(二次滤波器和多项式滤波器)。第三篇和第四篇是从优化λλ上，使得增强因子和位置相关，而非全局的一个常数:

paper:An image sharpening algorithm based on fuzzy logicpaper:Nonlinear unsharp masking methods for image contrast enhancementpaper:rational unsharp masking techniquepaper:Image Enhancement via Adaptive Unsharp Masking

论文地址

不过上述方法计算复杂，所以具体应用时还应取舍。

桔桔桔桔桔桔桔桔桔桔

【本文地址】

图像锐化算法(Image sharpening):拉普拉斯增强和Unsharp Masking(附代码)

图像锐化算法(Image sharpening):拉普拉斯增强和Unsharp Masking(附代码)

今日新闻

推荐新闻