图像处理：Python使用OpenCV进行图像锐化 （非锐化掩模、拉普拉斯滤波器）
文章目录
- 非锐化掩模 (Unsharp Masking)
- 拉普拉斯滤波器 (Laplacian Filter)
- 效果对比
- 总结
在图像处理中，锐化操作用于增强图像的边缘和细节，使图像看起来更清晰。常见的图像锐化方法包括非锐化掩模（Unsharp Masking）和拉普拉斯滤波器（Laplacian Filter）。
非锐化掩模 (Unsharp Masking)
步骤：
- 模糊图像：使用高斯模糊滤波器对原图像进行模糊处理，得到模糊图像。
- 计算细节层：通过从原图像中减去模糊图像，得到细节层。
- 增强图像：将细节层乘以一个增益系数后加回到原图像，得到增强后的图像。
公式：
设原图像为 ( I )，模糊图像为 (I blur )，细节层为 ( D )，增益系数为 ( k )，最终的锐化图像 ( I’ ) 计算如下：
D
=
I
−
I
blur
D = I – I_{ ext{blur}}
D=I−Iblur
I
′
=
I
+
k
⋅
D
I’ = I + k \cdot D
I′=I+k⋅D
代码示例：
import cv2
import numpy as np
def unsharp_mask(image, k=1.5):
# 高斯模糊图像
blurred = cv2.GaussianBlur(image, (9, 9), 10.0)
# 计算细节层
detail = image - blurred
# 增强图像
sharpened = image + k * detail
return np.clip(sharpened, 0, 255).astype(np.uint8)
image = cv2.imread('Task3.jpg')
sharpened_image = unsharp_mask(image)
cv2.imshow('Original Image', image)
cv2.imshow('Unsharp Masked Image', sharpened_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
拉普拉斯滤波器 (Laplacian Filter)
步骤：
- 计算拉普拉斯图像：使用拉普拉斯算子计算图像的二阶导数，得到拉普拉斯图像。
- 增强图像：将拉普拉斯图像加回到原图像中，得到锐化后的图像。
公式：
设原图像为 ( I )，拉普拉斯图像为 ( L )，最终的锐化图像 ( I’ ) 计算如下：
L
=
Δ
I
=
∂
2
I
∂
x
2
+
∂
2
I
∂
y
2
L = \Delta I = \frac{\partial^2 I}{\partial x^2} + \frac{\partial^2 I}{\partial y^2}
L=ΔI=∂x2∂2I+∂y2∂2I
I
′
=
I
+
k
⋅
L
I’ = I + k \cdot L
I′=I+k⋅L
代码示例：
import cv2
import numpy as np
def laplacian_sharpen(image, k=1.0):
# 计算拉普拉斯图像
laplacian = cv2.Laplacian(image, cv2.CV_64F)
laplacian = np.uint8(np.absolute(laplacian))
# 增强图像
sharpened = cv2.addWeighted(image, 1, laplacian, k, 0)
return sharpened
image = cv2.imread('path_to_your_image.jpg')
sharpened_image = laplacian_sharpen(image)
cv2.imshow('Original Image', image)
cv2.imshow('Laplacian Sharpened Image', sharpened_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
效果对比
了将非锐化掩模（Unsharp Masking）和拉普拉斯滤波器（Laplacian Filter）的方法整合到一个代码中，并对比展示效果，将两个锐化方法的结果放在同一个窗口中进行展示
import cv2
import numpy as np
import matplotlib.pyplot as plt
def unsharp_mask(image, k=1.5):
# 高斯模糊图像
blurred = cv2.GaussianBlur(image, (9, 9), 10.0)
# 计算细节层
detail = image - blurred
# 增强图像
sharpened = image + k * detail
return np.clip(sharpened, 0, 255).astype(np.uint8)
def laplacian_sharpen(image, k=1.0):
# 计算拉普拉斯图像
laplacian = cv2.Laplacian(image, cv2.CV_64F)
laplacian = np.uint8(np.absolute(laplacian))
# 增强图像
sharpened = cv2.addWeighted(image, 1, laplacian, k, 0)
return sharpened
def display_images(original, unsharp, laplacian):
titles = ['Original Image', 'Unsharp Masked ', 'Laplacian Sharpened ']
images = [original, unsharp, laplacian]
plt.figure(figsize=(10, 10))
for i in range(3):
plt.subplot(1, 3, i + 1)
plt.imshow(cv2.cvtColor(images[i], cv2.COLOR_BGR2RGB))
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
def main():
image_path = 'Task3.jpg' # 请替换为你的图像路径
image = cv2.imread(image_path)
if image is None:
print(f"Error: Unable to load image at {image_path}")
return
unsharp_image = unsharp_mask(image)
laplacian_image = laplacian_sharpen(image)
display_images(image, unsharp_image, laplacian_image)
if __name__ == "__main__":
main()
具体效果对比如下：不同的图片的效果可能不同
总结
这两种锐化方法各有优缺点，要根据具体需求选择合适的方法：
非锐化掩模：
- 优点：能够灵活控制图像的锐化程度，通过调整增益系数和模糊程度，可以获得较为自然的锐化效果。
- 缺点：在处理带有高噪声的图像时，容易放大噪声。
拉普拉斯滤波器：
- 优点：计算简单，能够快速增强图像边缘和细节。
- 缺点：容易引入噪声和伪影，对噪声不敏感的图像效果更好。
通过应用这些方法，可以有效增强图像的边缘和细节，使图像看起来更加清晰和锐利。
