这真是一件悲剧的事，早上，我花了很长时间写了这篇文章

当我快要完成时，然后电脑就蓝屏了，重启后，一切都成了浮云

好啦，没耐心再写那么多了，尽量简单吧

 

在图像识别中，需要有边缘鲜明的图像，即图像锐化。

图象锐化的目的是为了突出图像的边缘信息，加强图像的轮廓特征，以便于人眼的观察和机器的识别。

在空间域进行图象锐化主要有以下方法

1. 梯度算子
2. 其他锐化算子
3. 拉普拉斯算子

（1）梯度空间算子

图像的边缘最直观的表现就是边缘两侧的灰度值相差比较大，在微积分中我们学过梯度的概念

梯度是一个列向量，可表示为：

而某点处梯度的模很好的反应了该点两侧的变化大小

所以，梯度值很大的点也就代表了图像的边缘

而在实际计算中，为了降低运算量，一般用一下两种方法来代替模运算

由于数字图像处理中处理的是数字离散信号

所以，我们用差分来等同于连续信号中的微分运算

典型的梯度运算有

而另一种称为Roberts梯度的差分运算可由下来表示

 

我们来编写程序来实现上面计算

import

cv

def

Sharp(image,flag1

=

0,flag2

=

0):

w

=

image.width

h

=

image.height

size

=

(w,h)

iSharp

=

cv.CreateImage(size,

8

,

1

)

for

i

in

range(h

-

1

):

for

j

in

range(w

-

1

):

if

flag2

==

0:

x

=

abs(image[i,j

+

1

]

-

image[i,j])

y

=

abs(image[i

+

1

,j]

-

image[i,j])

else

:

x

=

abs(image[i

+

1

,j

+

1

]

-

image[i,j])

y

=

abs(image[i

+

1

,j]

-

image[i,j

+

1

])

if

flag1

==

0:

iSharp[i,j]

=

max(x,y)

else

:

iSharp[i,j]

=

x

+

y

return

iSharp

image

=

cv.LoadImage(

'

lena.jpg

'

,0)

iMaxSharp

=

Sharp(image)

iAddSharp

=

Sharp(image,

1

)

iRMaxSharp

=

Sharp(image,0,

1

)

iRAddSharp

=

Sharp(image,

1

,

1

)

cv.ShowImage(

'

iMaxSharp

'

,iMaxSharp)

cv.ShowImage(

'

image

'

,image)

cv.ShowImage(

'

iAddSharp

'

,iAddSharp)

cv.ShowImage(

'

iRAddSharp

'

,iRAddSharp)

cv.ShowImage(

'

iRMaxSharp

'

,iRMaxSharp)

cv.WaitKey(0)

我们来看看运行结果

下面是Roberts梯度

可以比较下两种方法的效果

 

（2）其他锐化算子

利用梯度和差分原理可以组成以下锐化算子

1.Sobel算子

2.Prewitt算子

3.Isotropic算子

好啦，我们还是写程序吧

 

import

cv

def

SuanSharp(image,arrayX,arrayY):

w

=

image.width

h

=

image.height

size

=

(w,h)

iSuanSharp

=

cv.CreateImage(size,

8

,

1

)

tmpX

=

[0]

*

9

tmpY

=

[0]

*

9

for

i

in

range(

1

,h

-

1

):

for

j

in

range(

1

,w

-

1

):

for

k

in

range(

3

):

for

l

in

range(

3

):

tmpX[k

*

3

+

l]

=

image[i

-

1

+

k,j

-

1

+

l]

*

arrayX[k

*

3

+

l]

tmpX[k

*

3

+

l]

=

image[i

-

1

+

k,j

-

1

+

l]

*

arrayX[k

*

3

+

l]

iSuanSharp[i,j]

=

sum(tmpX)

+

sum(tmpY)

return

iSuanSharp

image

=

cv.LoadImage(

'

lena.jpg

'

,0)

SobelX

=

[

1

,0,

-

1

,

2

,0,

-

2

,

1

,0,

-

1

]

SobelY

=

[

-

1

,

-

2

,

-

1

,0,0,0,

1

,

2

,

1

]

PrewittX

=

[

1

,0,

-

1

,

1

,0,

-

1

,

1

,0,

-

1

]

PrewittY

=

[

-

1

,

-

1

,

-

1

,0,0,0,

1

,

1

,

1

]

IsotropicX

=

[

1

,0,

-

1

,

1.414

,0,

-

1.414

,

1

,0,

-

1

]

IsotropicY

=

[

-

1

,

-

1.414

,

-

1

,0,0,0,

1

,

1.414

,

1

]

iSobelSharp

=

SuanSharp(image,SobelX,SobelY)

iPrewittSharp

=

SuanSharp(image,PrewittX,PrewittY)

iIsotropicSharp

=

SuanSharp(image,IsotropicX,IsotropicY)

cv.ShowImage(

'

image

'

,image)

cv.ShowImage(

'

iPrewittSharp

'

,iPrewittSharp)

cv.ShowImage(

'

iSobelSharp

'

,iSobelSharp)

cv.ShowImage(

'

iIsotropicSharp

'

,iIsotropicSharp)

cv.WaitKey(0)

 

看看运行效果吧

 

好吧，这三个图的运算花了好几秒的时间，循环太多了，其实可以用numpy做矩阵运算

我们在这里主要学习图像处理原理，不是学习编程

 

（3）拉普拉斯运算

拉普拉斯运算比较适合于改善因为光线的漫反射而造成的图像模糊，拉普拉斯算子法是常用的边缘增强处理算子

它是各向同性的二阶导数

对于连续二元函数有：

整理后有：

可以得到拉普拉斯算子模板：

看看运行效果

而对于Photoshop这类软件来说，锐化和我这里所说的锐化不同

它是在原图基础上，加强边缘效果

我们只要把模板适当改动就能实现这样的效果

 

还有一种思路，我们在前面讲了图像的平滑，我们用原图减去平滑后的图像

得到的就是锐化边缘了

第四幅图我们对轮廓线做了对数灰度变换，前面讲过的

不过，效果没有前面直接锐化清晰

我们还可以在原图上乘以一个大于1的因子再减去模糊后的图像

得到如下结果

 

好啦，图像空域的锐化处理就讲到这里啦，是不是很简单呢？