图像锐化算法(Image sharpening):拉普拉斯增强和Unsharp Masking(附代码)

向右看齐 2022-09-16 04:55 310阅读 0赞

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)是处理前图片,y(m,n)y(m,n)是锐化后，z(m,n)z(m,n)代表增强图像的边缘和细节(高频部分),λλ是增强因子,如下图所示:

![67b9741e992ff96a3a30c610b7ab0508.png][]

### 1.laplacian 增强 ###

![4856dac9035edfb436e9cdfa51f33cba.png][]

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:当然λλ也可以不固定为1，原图像加上λλ乘拉普拉斯锐化的结果，lambdalambda控制增强效果，如果觉得过于锐利，可以调小一点。**

### 2.usm和改进usm ###

**usm(unsharp masking)**:将原图像低通滤波后产生一个模糊图像，原图像与这模糊图像相减得到保留高频成份的图像。再将高频图像用一个参数放大后与原图像叠加，得到增强的图像。

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.假设原图为S,以半径r计算高斯模糊图G  
2.value=S(i,j)-G(i,j)  
3.锐化后的图为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-blur
        mask = diff < threshold
        dst = cv2.addWeighted(src, 1+amount, blur, -1*amount, 0)
    
        res = src*mask+dst*(1-mask)
    
        return res

**注:在使用改进usm时发现出现黑点(尤其是参数高斯模糊半径m变很大时)，因为对黑暗区域的增强带来的感觉上更加明显(韦伯定律)，所以可以对value为负值时使用更小的增强因子。**

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

**另一种usm的优化:**  
根据阈值比较结果,处理更平滑自然(主要是对mask做了模糊处理)

![4f466a8b5e8a3c183f095c32caeb7582.png][]

def improveUSM3(src, m, sigma, threshold, amount):
        blur = cv2.GaussianBlur(src, (m, m), sigma)
        diff = src-blur
        mask = diff < threshold
        dst = 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.其他改进 ###

> two drawbacks of USM:  
> 1.noise amplification(噪声也属于高频部分，所以增强细节同时会增强噪声)  
> 2.overshoot effect(见下图)
> 
> ![9df6850f50f798074da03685d1d58d33.png][]

改进思路，无非是从λλ和z(m,n)z(m,n)两个方面去优化，下面几篇论文，第一篇改进usm的根据阈值截断处理，使用更平滑的处理方式，第二篇是从改变z(m,n)z(m,n)的计算上，使用非线性核(二次滤波器和多项式滤波器)。第三篇和第四篇是从优化λλ上，使得增强因子和位置相关，而非全局的一个常数:

> 1.  paper:An image sharpening algorithm based on fuzzy logic
> 2.  paper:Nonlinear unsharp masking methods for image contrast enhancement
> 3.  paper:rational unsharp masking technique
> 4.  paper:Image Enhancement via Adaptive Unsharp Masking

[论文地址][Link 1]

不过上述方法计算复杂，所以具体应用时还应取舍。

桔桔桔桔桔桔桔桔桔桔

[67b9741e992ff96a3a30c610b7ab0508.png]: /images/20220828/13744edc437445109c2fd00e951a37b9.png
[4856dac9035edfb436e9cdfa51f33cba.png]: /images/20220828/2299fc05e51e40dba4ad7428f1b5a04f.png
[4f466a8b5e8a3c183f095c32caeb7582.png]: /images/20220828/994538603be24d9dac58844e6ad01192.png
[9df6850f50f798074da03685d1d58d33.png]: /images/20220828/622a31123ec2452380964ffccc042943.png
[Link 1]: https://github.com/buyizhiyou/papers/tree/master/sharpening