图像锐化
图像细节增强
图像轮廓：灰度值陡然变化的部分
空间变化：计算灰度变化程度
图像微分法：微分计算灰度梯度突变的速率
一阶微分：单向差值
二阶微分：双向插值
一阶微分滤波
1：梯度法
梯度：
梯度向量的模：
图像f(x,y)的梯度图像：
右侧和下侧的梯度
2：罗伯茨Roberts梯度法
主对角线和次对角线的梯度
3：索博尔Sobel算法
常数 c = 2
4：蒲瑞维特Prewitt算法
常数 c = 1
else：
平方根运算 => 绝对差分算法
某像素上的梯度值是该像素与相邻像素的灰度差值的单调递增函数
【1】轮廓区域，梯度值大
【2】平缓区域，梯度值小
【3】等灰度区域，梯度值 = 0
二阶微分滤波
1：拉普拉斯算法（二阶差分）
拉普拉斯滤波器：
拉普拉斯的简化增强过程：利用原始图像减去拉普拉斯处理图像
简化滤波器：
2：LoG算法（拉普拉斯高斯）
原始图像经Gaussian平滑然后锐化，即等价于5×5 拉普拉斯高斯模板
锐化图像的表示
1：微分图像直接输出（梯度值）
2：背景保留，轮廓取梯度值
T：阈值（非负数）
3：背景保留，轮廓取单一灰度值
4：背景取单一灰度值、轮廓取梯度值
5：轮廓、背景分别取单一灰度值（二值化）
锐化与边缘特征
边缘：人眼可以重构物体的重要信息
图像边缘：识别物体存在并检测的重要依据
边缘特征：灰度或亮度突变
理想边缘：具有方向性的阶跃函数
真实边缘：缓慢变化的模糊的阶跃
在理想阶跃函数中：一阶微分的峰值位于边缘处，二阶微分的过零值位于边缘处
反锐化掩模法（USM）
参数解释：
C为常数，C > 1
：人为方法模糊的图像，可用均值滤波计算
g(x,y)：最终的掩模模板
案例：当C = 9时
图像锐化的总结
一阶微分法锐化：形成较细的边缘
二阶微分法锐化：对线条等细节有较强的响应
一阶微分锐化：对灰度梯度变化具有较强的相应
二阶微分锐化：对灰度级有二次响应
纯粹二阶的导数操作中，会出现对噪声的敏感现象
解决的方法：先对图像进行平滑滤波，消除部分噪声，再进行边缘检测
图像平滑
均值滤波器的缺点：会使图像变模糊
原因：在将噪声点分摊的同时，将景物的边界点也分摊
图像滤波器的组合应用
平滑滤波：使图像模糊，噪声或细节得到抑制
锐化滤波：使图像边缘细节增强，噪声放大
组合法图像增强的评价：
【1】响应灰度范围：对边缘灰度变化梯度、线条等细节有响应，但是对噪声点有抑制或者去除的作用
【2】响应位置：对边缘等能够尽可能的逼近，最好能形成只有一个像素的边缘线条
滤波器或者卷积模板尺寸，导致图像边界像素信息缺失
（1）忽略像素像
（2）填充图像
（3）复制边界像素
（4）图像截断
（5）允许图像环绕像素
（6）就近补位