圖像銳化
圖像細節增強
圖像輪廓：灰度值陡然變化的部分
????????空間變化：計算灰度變化程度
圖像微分法：微分計算灰度梯度突變的速率
????????一階微分：單向差值
? ? ? ? 二階微分：雙向插值
一階微分濾波
1：梯度法
梯度：
梯度向量的模：
圖像f(x,y)的梯度圖像：
右側和下側的梯度
2：羅伯茨Roberts梯度法
主對角線和次對角線的梯度
3：索博爾Sobel算法
常數 c = 2
4：蒲瑞維特Prewitt算法
常數 c = 1
else：
平方根運算 => 絕對差分算法
某像素上的梯度值是該像素與相鄰像素的灰度差值的單調遞增函數
【1】輪廓區域，梯度值大
【2】平緩區域，梯度值小
【3】等灰度區域，梯度值 = 0
二階微分濾波
1：拉普拉斯算法（二階差分）
拉普拉斯濾波器：
拉普拉斯的簡化增強過程：利用原始圖像減去拉普拉斯處理圖像
簡化濾波器：
2：LoG算法（拉普拉斯高斯）
原始圖像經Gaussian平滑然后銳化，即等價于5×5 拉普拉斯高斯模板
銳化圖像的表示
1：微分圖像直接輸出（梯度值）
2：背景保留，輪廓取梯度值
T：閾值（非負數）
3：背景保留，輪廓取單一灰度值
4：背景取單一灰度值、輪廓取梯度值
5：輪廓、背景分別取單一灰度值（二值化）
銳化與邊緣特征
邊緣：人眼可以重構物體的重要信息
圖像邊緣：識別物體存在并檢測的重要依據
邊緣特征：灰度或亮度突變
????????理想邊緣：具有方向性的階躍函數
????????真實邊緣：緩慢變化的模糊的階躍
在理想階躍函數中：一階微分的峰值位于邊緣處，二階微分的過零值位于邊緣處
反銳化掩模法（USM）
參數解釋：
????????C為常數，C > 1
????????
：人為方法模糊的圖像，可用均值濾波計算
? ? ? ? g(x,y)：最終的掩模模板
案例：當C = 9時
圖像銳化的總結
一階微分法銳化：形成較細的邊緣
二階微分法銳化：對線條等細節有較強的響應
一階微分銳化：對灰度梯度變化具有較強的相應
二階微分銳化：對灰度級有二次響應
純粹二階的導數操作中，會出現對噪聲的敏感現象
解決的方法：先對圖像進行平滑濾波，消除部分噪聲，再進行邊緣檢測
圖像平滑
均值濾波器的缺點：會使圖像變模糊
原因：在將噪聲點分攤的同時，將景物的邊界點也分攤
圖像濾波器的組合應用
平滑濾波：使圖像模糊，噪聲或細節得到抑制
銳化濾波：使圖像邊緣細節增強，噪聲放大
組合法圖像增強的評價：
【1】響應灰度范圍：對邊緣灰度變化梯度、線條等細節有響應，但是對噪聲點有抑制或者去除的作用
【2】響應位置：對邊緣等能夠盡可能的逼近，最好能形成只有一個像素的邊緣線條
濾波器或者卷積模板尺寸，導致圖像邊界像素信息缺失
（1）忽略像素像
（2）填充圖像
（3）復制邊界像素
（4）圖像截斷
（5）允許圖像環繞像素
（6）就近補位
