6 圖像的銳化處理
(一)圖像銳化的概念
圖像銳化的概念
圖像銳化的目的是加強圖像中景物的細節邊緣和輪廓。
銳化的作用是使灰度反差增強。
因爲邊緣和輪廓都位於灰度突變的地方。所以銳化算法的實現是基於微分作用。
圖像細節的灰度變化特性
(二)圖像銳化的方法
1)一階微分銳化
基本原理
對於一元函數,一階微分算子可以定義如下:
對於二元圖像(函數),一階微分的定義是通過梯度
實現的。
梯度的定義
圖像 在其座標 上的梯度是一個二維列向量:
其中 的大小爲 的最快變化率; 的方向爲 的最快變化方向
梯度的模
梯度的物理意義
梯度的物理意義:任一點(x,y)處一個邊緣的方向與該點處的梯度向量的方向正交。
在灰度變化平緩的區域其梯度值較小,圖像中灰度變化較大的邊緣區域梯度值大,而在灰度均勻區域其梯度值爲零。
爲了度量圖像灰度的變化,需要建立一種向量與數量之間的映射關係。映射關係不同,則對應不同的一階微分算子。
① 單方向的一階銳化
基本原理
單方向的一階銳化是指對某個特定方向上的邊緣信息進行增強。
因爲圖像爲水平、垂直兩個方向組成,所以,所謂的單方向銳化實際上是包括水平方向與垂直方向上的銳化。
水平方向的一階銳化
基本方法
水平方向的銳化非常簡單,通過一個可以檢測出水平方向上的像素值的變化模板來實現。
垂直方向的一階銳化
基本方法
垂直銳化算法的設計思想與水平銳化算法相同,通過一個可以檢測出垂直方向上的像素值的變化模板來實現。
② 無方向一階銳化
問題的提出
前面的銳化處理結果對於人工設計製造的具有矩形特徵物體(例如:樓房、漢字等)的邊緣的提取很有效。但是,對於不規則形狀(如:人物)的邊緣提取,則存在信息的缺損
設計思想
爲了解決上面的問題,就希望提出對任何方向上的邊緣信息均敏感的銳化算法。
因爲這類銳化方法要求對邊緣的方向沒有選擇,所有稱爲無方向的銳化算法。
幾種方法的效果比較
Sobel算法與Priwitt算法的思路相同,屬於同一類型,因此處理效果基本相同。
Roberts算法的模板爲,提取出的信息較弱。
單方向銳化經過後處理之後,也可以對邊界進行增強。
2)二階微分銳化
問題的提出
從圖像的景物細節的灰度分佈特性可知,有些灰度變化特性一階微分的描述不是很明確,爲此,採用二階微分能夠更加獲得更豐富的景物細節。
景物細節對應關係
1)對於突變形的細節,通過一階微分的極大值點,二階微分的過0點均可以檢測出來。
2)對於細線形的細節,通過一階微分的過0點,二階微分的極小值點均可以檢測出來。
3)對於漸變的細節,一般情況下很難檢測,但二階微分的信息比一階微分的信息略多。
算法推導
Laplacian 算法
由前面的推導,寫成模板係數形式形式即爲Laplacian算子:
Laplacian變形算法
爲了改善銳化效果,可以脫離微分的計算原理,在原有的算子基礎上,對模板係數進行改變,獲得Laplacian變形算子如下所示。
Laplacian銳化邊緣提取
經過Laplacian銳化後,我們來分析幾種變形算子的邊緣提取效果: H1,H2的效果基本相同,H3的效果最不好,H4最接近原圖。
Wallis算法
考慮到人的視覺特性中包含一個對數環節,因此在銳化時,加入對數處理的方法來改進。
在前面的算法公式中注意以下幾點:
1)爲了防止對0取對數,計算時實際上是用;
2)因爲對數值很小,所以計算時用。 (46=255/log(256))
算法特點:
Wallis算法考慮了人眼視覺特性,因此,與Laplacian等其他算法相比,可以對暗區的細節進行比較好的銳化。
3)一階與二階微分的邊緣提取效果比較
以Sobel及Laplacian算法爲例:
- Sobel算子獲得的邊界是比較粗略的邊界,反映的邊界信息較少,但是所反映的邊界比較清晰。
- Laplacian算子獲得的邊界是比較細緻的邊界。反映的邊界信息包括了許多的細節信息,但是所反映的邊界不是太清晰。
bingo~ ✨ 如果我們不再把永恆看作時間上的無窮無盡,而是看作一個超越時間的狀態,那麼,永恆的生命屬於那些活在當下的人。