1. 图像锐化和增强
图像锐化是一种突出和加强图像中景物的边缘和轮廓的技术，使图像变得更加清晰。它通过增强图像的高频分量来减少图像中的模糊，增强图像细节边缘和轮廓，增强灰度反差，便于后期对目标的识别和处理。
图像增强是改善图像质量的技术，包括图像锐化、去噪、对比度增强、色彩增强等。图像锐化是图像增强中的一种重要技术。
图像锐化和图像增强的区别在于，图像锐化侧重于突出图像中的细节，而图像增强则可以包括更广泛的操作，以满足不同的应用需求。
以下简单总结了图像锐化和图像增强之间的区别：
| 特征 | 图像锐化 | 图像增强 |
|---|---|---|
| 目的 | 增强图像的边缘和细节 | 改善图像的整体质量 |
| 方法 | 增强图像的高频分量 | 可以包括锐化、去噪、对比度增强、色彩调整等多种操作 |
| 应用 | 适用于需要突出图像细节的场景，例如医学图像处理、遥感图像分析等 | 适用于需要改善图像质量的各种场景，例如照片编辑、视频处理等 |
2. 图像锐化方法
图像锐化的方法主要有以下两种：
-
空间域方法：在空间域上直接对图像进行处理。常用的空间域锐化方法包括：
a. 锐化滤波器：利用锐化滤波器对图像进行卷积运算，增强图像的边缘和细节。常用的锐化滤波器包括 Prewitt 算子、Roberts 算子、Laplace 算子等。b. USM 锐化：USM（Unsharpen Mask）锐化是一种常用的锐化方法，它先对图像进行高斯滤波，然后用原图像减去高斯滤波后的图像，再将结果乘以一个系数，最后将结果加到原图像中。
频域方法：将图像变换到频域，然后对高频分量进行增强，再将图像变换回空间域。常用的频域锐化方法包括高通滤波等。
3. 拉普拉斯锐化和 USM 锐化
3.1 拉普拉斯锐化
在该系列的第八篇和第十篇文章中，都曾经介绍过拉普拉斯算子，它是二阶导数的边缘算子。
之前我们曾介绍过二阶导数的 Laplace 算子可以通过差分近似来简化，其公式为：
它的 4 邻域卷积核：
它的 8 邻域卷积核：
拉普拉斯锐化通过增强图像中的二阶导数来突出边缘。
拉普拉斯锐化的基本原理：当邻域的中心像素灰度低于它所在邻域内的其他像素的平均灰度时，此中心像素的灰度应该进一步降低；当高于时进一步提高中心像素的灰度，从而实现图像锐化处理。
拉普拉斯的锐化公式：
其中，f(x,y) 表示原图，g(x,y) 表示锐化后的图像。
对于 4 邻域卷积核：
用模板表示如下：
对于 8 邻域卷积核：
用模板表示如下：
拉普拉斯锐化可以有效地增强图像的边缘和细节，但它也会放大图像中的噪声。因此，在锐化图像之前，通常需要先进行去噪处理。
下面的例子，通过 8 邻域拉普拉斯算子对图像进行锐化
#include <opencv2/opencv.hpp>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
using namespace std;
using namespace cv;
int main() {
Mat src = imread(".../girl.jpg");
imshow("src", src);
int height = src.rows;
int width = src.cols;
int border = 1;
Mat dst(height, width, CV_8UC3);
for (int i = border; i < height - border; i++) {
for (int j = border; j < width - border; j++) {
for (int k = 0; k < 3; k++) {
int sum = 9 * src.at<Vec3b>(i, j)[k] - src.at<Vec3b>(i - 1, j - 1)[k] - src.at<Vec3b>(i - 1, j)[k]
- src.at<Vec3b>(i - 1, j + 1)[k] - src.at<Vec3b>(i, j - 1)[k] - src.at<Vec3b>(i, j + 1)[k]
- src.at<Vec3b>(i + 1, j - 1)[k] - src.at<Vec3b>(i + 1, j)[k] - src.at<Vec3b>(i + 1, j + 1)[k];
dst.at<Vec3b>(i, j)[k] = saturate_cast<uchar>(sum);
}
}
}
imshow("laplaceSharp", dst);
waitKey(0);
return 0;
}
当然，上述代码中拉普拉斯锐化的实现也可以用 filter2D()函数实现。
3.2 USM 锐化
USM 锐化(Unsharp Mask Sharpening)，它通过增强图像的边缘和细节来使图像变得更加清晰。
USM 锐化的工作原理是：
- 对原图像进行高斯模糊处理，得到模糊后的图像。
- 将原图像减去模糊后的图像，得到残差图像。
- 将残差图像乘以一个锐化因子，得到增强后的残差图像。
- 将增强后的残差图像与原图像进行叠加，得到锐化后的图像。
USM 锐化具有以下特点：
- 可以有效地增强图像的边缘和细节。
- 具有较强的控制性，用户可以通过调整锐化因子、半径和阈值等参数来控制锐化效果。
- 可能会放大图像中的噪声。
USM 锐化通常具有以下三个参数：
- 锐化因子（Amount）：控制锐化效果的强度。值越大，锐化效果越明显。
- 阈值（Threshold）：控制哪些像素会被锐化。值越大，只有灰度值差异较大的像素才会被锐化，可以减少噪声的影响。
- 半径（Radius）：控制锐化范围的大小。值越大，锐化范围越大，边缘越模糊。
下面的例子，实现了一个 USM 锐化。
#include <opencv2/opencv.hpp>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
using namespace std;
using namespace cv;
void unsharpMask(const Mat& src, Mat& dst, int radius, int threshold, int amount) {
int height = src.rows;
int width = src.cols;
GaussianBlur(src, dst, cv::Size(radius, radius), 2, 2);
for (int h = 0; h < height; ++h) {
for (int w = 0; w < width; ++w) {
int b = src.at<Vec3b>(h, w)[0] - dst.at<Vec3b>(h, w)[0];
int g = src.at<Vec3b>(h, w)[1] - dst.at<Vec3b>(h, w)[1];
int r = src.at<Vec3b>(h, w)[2] - dst.at<Vec3b>(h, w)[2];
if (abs(b) > threshold) {
b = src.at<Vec3b>(h, w)[0] + amount * b / 100;
dst.at<Vec3b>(h, w)[0] = saturate_cast<uchar>(b);
}
if (abs(g) > threshold) {
g = src.at<Vec3b>(h, w)[1] + amount * g / 100;
dst.at<Vec3b>(h, w)[1] = saturate_cast<uchar>(g);
}
if (abs(r) > threshold) {
r = src.at<Vec3b>(h, w)[2] + amount * r / 100;
dst.at<Vec3b>(h, w)[2] = saturate_cast<uchar>(r);
}
}
}
}
int main() {
Mat src = imread(".../girl.jpg");
imshow("src", src);
Mat dst = Mat(src.size(), src.type());
unsharpMask(src,dst, 181, 0, 90);
imshow("usm", dst);
waitKey(0);
return 0;
}
4. 总结
本文简单介绍了图像锐化和增强的含义以及他们之间的区别。
详细介绍了2种锐化方式，拉普拉斯锐化通常适用于需要快速锐化图像的场景，例如对模糊的图像进行简单的锐化处理。USM 锐化通常适用于需要对锐化效果进行精细控制的场景，例如对照片进行锐化处理。当然，也可以将两种方法结合使用，例如先使用拉普拉斯锐化进行快速锐化，然后再使用 USM 锐化进行精细调整。
