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)是處理前圖片,y(m,n)y(m,n)是銳化后，z(m,n)z(m,n)代表增強(qiáng)圖像的邊緣和細(xì)節(jié)(高頻部分),λλ是增強(qiáng)因子,如下圖所示:

1.laplacian 增強(qiáng)

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:當(dāng)然λλ也可以不固定為1，原圖像加上λλ乘拉普拉斯銳化的結(jié)果，lambdalambda控制增強(qiáng)效果，如果覺得過于銳利，可以調(diào)小一點(diǎn)。

2.usm和改進(jìn)usm

usm(unsharp masking):將原圖像低通濾波后產(chǎn)生一個(gè)模糊圖像，原圖像與這模糊圖像相減得到保留高頻成份的圖像。再將高頻圖像用一個(gè)參數(shù)放大后與原圖像疊加，得到增強(qiáng)的圖像。

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.假設(shè)原圖為S,以半徑r計(jì)算高斯模糊圖G
2.value=S(i,j)-G(i,j)
3.銳化后的圖為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-blurmask = diff < thresholddst = cv2.addWeighted(src, 1+amount, blur, -1*amount, 0)res = src*mask+dst*(1-mask)return res

注:在使用改進(jìn)usm時(shí)發(fā)現(xiàn)出現(xiàn)黑點(diǎn)(尤其是參數(shù)高斯模糊半徑m變很大時(shí))，因?yàn)閷诎祬^(qū)域的增強(qiáng)帶來的感覺上更加明顯(韋伯定律)，所以可以對value為負(fù)值時(shí)使用更小的增強(qiáng)因子。

def improveUSM2(src, m, sigma, threshold, amount):'''reduce black specles'''blur = cv2.GaussianBlur(src, (m, m), sigma)diff = src-blurmask = cv2.convertScaleAbs(diff) < thresholddst = np.zeros_like(src, dtype=np.int16)src = src.astype(np.int16)blur = blur.astype(np.int16)diff2 = src-blurmask2 = diff2 < 0neg = diff2*mask2pos = diff2*(1-mask2)dst = src+amount*pos+amount*0.5*negdst = dst.clip(0, 255)return dst2

另一種usm的優(yōu)化:
根據(jù)閾值比較結(jié)果,處理更平滑自然(主要是對mask做了模糊處理)

def improveUSM3(src, m, sigma, threshold, amount):blur = cv2.GaussianBlur(src, (m, m), sigma)diff = src-blurmask = diff < thresholddst = 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.其他改進(jìn)

two drawbacks of USM:
1.noise amplification(噪聲也屬于高頻部分，所以增強(qiáng)細(xì)節(jié)同時(shí)會增強(qiáng)噪聲)
2.overshoot effect(見下圖)

改進(jìn)思路，無非是從λλ和z(m,n)z(m,n)兩個(gè)方面去優(yōu)化，下面幾篇論文，第一篇改進(jìn)usm的根據(jù)閾值截?cái)嗵幚?#xff0c;使用更平滑的處理方式，第二篇是從改變z(m,n)z(m,n)的計(jì)算上，使用非線性核(二次濾波器和多項(xiàng)式濾波器)。第三篇和第四篇是從優(yōu)化λλ上，使得增強(qiáng)因子和位置相關(guān)，而非全局的一個(gè)常數(shù):

paper:An image sharpening algorithm based on fuzzy logic

paper:Nonlinear unsharp masking methods for image contrast enhancement

paper:rational unsharp masking technique

paper:Image Enhancement via Adaptive Unsharp Masking

論文地址

不過上述方法計(jì)算復(fù)雜，所以具體應(yīng)用時(shí)還應(yīng)取舍。

桔桔桔桔桔桔桔桔桔桔

總結(jié)

以上是生活随笔為你收集整理的图像锐化算法(Image sharpening):拉普拉斯增强和Unsharp Masking(附代码)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。