一、图像锐化是什么？
图像锐化 (image sharpening) 是补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰，分为空间域处理和频域处理两类。图像锐化是为了突出图像上地物的边缘、轮廓，或某些线性目标要素的特征。这种滤波方法提高了地物边缘与周围像元之间的反差，因此也被称为边缘增强。
二、图像锐化的基本原理
图像锐化的核心思想是增强图像中像素值变化剧烈的区域，即边缘和细节。这通常可以通过以下几种方式实现：
反锐化掩模 (Unsharp Masking)：这是最经典和广泛使用的方法之一。
拉普拉斯算子 (Laplacian Operator)：利用二阶导数来检测边缘和细节。
自定义卷积核 (Custom Kernel Convolution)：直接使用一个设计好的锐化卷积核。
三、方法：反锐化掩模 (Unsharp Masking)
反锐化掩模的步骤如下：
模糊图像：首先，对原始图像进行模糊处理（通常使用高斯模糊）。
blurred = GaussianBlur(original, ...)
计算掩模 (Mask)：从原始图像中减去模糊后的图像，得到“掩模”。这个掩模包含了图像中的高频细节。
mask = original - blurred
锐化：将这个掩模按一定权重（强度因子）加回到原始图像中。
sharpened = original + amount * mask
这可以改写为：
sharpened = original * (1 + amount) - blurred * amount
在 OpenCV 中，可以使用 cv::GaussianBlur() 进行模糊，然后使用 cv::addWeighted() 或 cv::subtract() 和 cv::add() 来实现。
#include
#include
#include
// 方法：使用反锐化掩模进行锐化
cv::Mat unsharpMask(const cv::Mat& src, double sigma = 1.0, double amount = 1.0) {
cv::Mat blurred_img, mask, sharpened_img;
// 1. 高斯模糊
cv::GaussianBlur(src, blurred_img, cv::Size(0, 0), sigma, sigma);
// 2. 计算掩模: mask = original - blurred
// 锐化: sharpened = original + amount * mask
// 合并为: sharpened = original * (1 + amount) + blurred * (-amount)
// cv::addWeighted(src1, alpha, src2, beta, gamma, dst);
// dst = src1*alpha + src2*beta + gamma;
cv::addWeighted(src, 1.0 + amount, blurred_img, -amount, 0, sharpened_img);
return sharpened_img;
}
int main() {
cv::Mat src = cv::imread("lena.jpg", cv::IMREAD_COLOR);
if (src.empty()) {
std::cerr << "错误: 无法加载图像 " << std::endl;
return -1;
}
// 应用锐化方法：反锐化掩模
// sigma 控制模糊程度，amount 控制锐化强度
cv::Mat sharpened_unsharp = unsharpMask(src, 1.0, 1.5);
cv::imshow("src Image", src);
cv::imshow("Dst Image", sharpened_unsharp);
cv::waitKey(0);
cv::destroyAllWindows();
return 0;
}
可以发现图片的边缘明显增强了，效果图如下所示：
四、方法：使用拉普拉斯算子
拉普拉斯算子是一种二阶微分算子，它可以有效地检测图像中的快速强度变化，即边缘。通过将拉普拉斯算子应用到图像上，并将结果与原始图像叠加，可以实现锐化效果。
锐化后的图像 Sharpened 可以通过从原始图像 Original 中减去（或加上，取决于核的符号定义和期望效果）拉普拉斯滤波后的图像 LaplacianImage 得到：Sharpened = Original - c * LaplacianImage ，其中 c 是一个缩放因子。
#include
#include
using namespace cv;
using namespace std;
// 方法：使用拉普拉斯算子进行锐化
Mat & imgSharpen(const Mat & img, char * arith) // arith为3*3模板算子
{
int rows = img.rows; // 原图的行
int cols = img.cols * img.channels(); // 原图的列
int offsetx = img.channels(); // 像素点的偏移量
static Mat dst = Mat::ones(img.rows-2, img.cols-2, img.type());
for(int i = 1; i < rows - 1; i++)
{
const uchar* previous = img.ptr
const uchar* current = img.ptr
const uchar* next = img.ptr
uchar * output = dst.ptr
for(int j = offsetx ; j < cols - offsetx; j++)
{
output[j - offsetx] =
saturate_cast
current[j-offsetx]*arith[3] + current[j]*arith[4] + current[j+offsetx]*arith[5] +
next[j-offsetx]*arith[6] + next[j]*arith[7] + next[j-offsetx]*arith[8] );
}
}
return dst;
}
int main()
{
Mat img = imread("lena.jpg");
char arith[9] = {0, -1, 0, -1, 5, -1, 0, -1, 0}; // 使用拉普拉斯算子
// 锐化
Mat dst1 = imgSharpen(img, arith);
imshow("src Image", img);
imshow("dst Image", dst1);
waitKey(0);
return 0;
}
效果图如下所示：
五、方法：使用自定义锐化卷积核
这是最直接的方法之一，通过定义一个特定的 3×3 卷积核并将其应用于图像。一个常见的锐化核是将单位矩阵（中心为 1，其余为 0）与一个拉普拉斯核（例如中心为 -4 或 -8，周围为 1）的某种组合。
#include
#include
#include
// 方法：使用自定义卷积核进行锐化
cv::Mat sharpenWithKernel(const cv::Mat& src) {
cv::Mat sharpened_img;
cv::Mat kernel = (cv::Mat_
0, -1, 0,
-1, 5, -1,
0, -1, 0);
// 或者使用更强的锐化核:
// cv::Mat kernel = (cv::Mat_
// -1, -1, -1,
// -1, 9, -1,
// -1, -1, -1);
// cv::filter2D 函数应用卷积核
// src.depth() 表示输出图像与输入图像有相同的深度
cv::filter2D(src, sharpened_img, src.depth(), kernel);
return sharpened_img;
}
int main() {
cv::Mat src = cv::imread("lena.jpg", cv::IMREAD_COLOR);
if (src.empty()) {
std::cerr << "错误: 无法加载图像 " << std::endl;
return -1;
}
// 应用锐化方法：自定义卷积核
cv::Mat sharpened_kernel = sharpenWithKernel(src);
cv::imshow("src Image", src);
cv::imshow("dst Image", sharpened_kernel);
cv::waitKey(0);
cv::destroyAllWindows();
return 0;
}
效果图如下所示：