USM代码：

USM 锐化增强算法（Unsharpen Mask），是图像卷积处理实现锐化常用的算法，这种锐化的方法就是对原图像先做一个高斯模糊，然后用原来的图像减去一个系数乘以高斯模糊之后的图像，然后再把值Scale到0～255的RGB像素值范围之内。基于USM锐化的方法可以去除一些细小的干扰细节和噪声，比一般直接使用卷积锐化算子得到的图像锐化结果更加真实可信。

import cv2 as cv
import numpy as np

src = cv.imread("img2.jpg")
cv.namedWindow("input", cv.WINDOW_AUTOSIZE)
cv.imshow("input", src)

# sigma = 5、15、25
blur_img = cv.GaussianBlur(src, (0, 0), 25)
usm = cv.addWeighted(src, 2.5, blur_img, -1.7, 0)
cv.imshow("mask image", usm)

h, w = src.shape[:2]
result = np.zeros([h, w*2, 3], dtype=src.dtype)
result[0:h,0:w,:] = src
result[0:h,w:2*w,:] = usm
cv.putText(result, "original image", (10, 30), cv.FONT_ITALIC, 1.0, (0, 0, 255), 2)
cv.putText(result, "sharpen image", (w+10, 30), cv.FONT_ITALIC, 1.0, (0, 0, 255), 2)
cv.imshow("sharpen_image", result)
# cv.imwrite("D:/result.png", result)

cv.waitKey(0)
cv.destroyAllWindows()

拉普拉斯算子核

import cv2
import numpy as np

def laplacian_sharpen(img, ksize=1):
    # 创建拉普拉斯算子核
    kernel = np.array([[-1, -1, -1], [-1, ksize+8.2, -1], [-1, -1, -1]])
    # 对图像进行滤波
    result = cv2.filter2D(img, -1, kernel)
    # 将像素值限制在0~255之间
    result[result < 0] = 0
    result[result > 255] = 255
    # 将图像转换为整数类型，并返回结果
    return result.astype(np.uint8)

# 加载原始图像
img = cv2.imread('img2.jpg')
# 进行图像锐化处理
result = laplacian_sharpen(img)
# 显示原始图像和结果图像
cv2.imshow('Original Image', img)
cv2.imshow('Sharpened Image', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

USM锐化

USM锐化公式：

（源图像– w*高斯模糊）/（1-w）

w表示权重（0.1～0.9），默认为0.6

Laplace锐化

Laplace算子属于空间锐化滤波操作。

拉普拉斯锐化图像是根据图像某个像素的周围像素到此像素的突变程度有关，也就是说它的依据是图像像素的变化程度。我们知道，一个函数的一阶微分描述了函数图像是朝哪里变化的，即增长或者降低；而二阶微分描述的则是图像变化的速度，急剧增长下降还是平缓的增长下降。那么据此我们可以猜测出依据二阶微分能够找到图像的色素的过渡程度，例如白色到黑色的过渡就是比较急剧的。

或者用官方点的话说：当邻域中心像素灰度低于它所在的领域内其它像素的平均灰度时，此中心像素的灰度应被进一步降低，当邻域中心像素灰度高于它所在的邻域内其它像素的平均灰度时，此中心像素的灰度应被进一步提高，以此实现图像的锐化处理。

应用：

运用拉普拉斯可以增强图像的细节，找到图像的边缘。但是有时候会把噪音也给增强了，

图像增强---锐化

USM代码：

拉普拉斯算子核

USM锐化

Laplace锐化

猜你喜欢