图像增强学习笔记(三) | 图像锐化
目录
梯度锐化法
Roberts算子
Prewitt算子
Sobel算子
Laplacian增强算子
效果图
matlab代码
梯度锐化法
图像锐化最常用的是梯度法。对于图像f(x,y),在(x,y)处梯度定义为
梯度是一个向量,其大小和方向分别为
梯度变换方向是f(x,y)在该点灰度变换率最大的方向。
离散图像处理常用到梯度的大小,因此把梯度的大小简称为"梯度"。并且一阶偏导数采用一阶差分近似表示,即
为简化梯度计算,常使用近似表达式
或
对于一幅图像中突出的边缘区,其梯度值较大;对于平滑区,梯度值较小;对于灰度值为常数的区域,梯度为零。
除梯度算子外,还可以采用Roberts,Prewitt和Sobel算子计算梯度,来增强边缘。
Roberts算子
-1 | |
1 |
-1 | |
1 |
差分计算式:
Prewitt算子
在锐化边缘的同时减少噪声的影响,Prewitt从加大边缘增强算子的模板出发,由2*2扩大到3*3来计算差分
-1 | 0 | 1 |
-1 | 0 | 1 |
-1 | 0 | 1 |
-1 | -1 | -1 |
0 | 0 | 0 |
1 | 1 | 1 |
Sobel算子
Sobel在Prewitt算子的基础上,对4-邻域采用加权的方法计算差分,对应的模板如下
-1 | 0 | 1 |
-2 | 0 | 2 |
-1 | 0 | 1 |
-1 | 2 | 1 |
0 | 0 | 0 |
1 | 2 | 1 |
根据梯度计算近似表达式可以计算Roberts,Prewitt,Sobel梯度。一旦梯度算出就可以根据需要生成 不同的增强图像。
第一种增强:(g(x,y)为各点灰度,下同)
g(x,y)=grad(x,y)
缺点:仅显示梯度变化比较陡的边缘轮廓,灰度变化平缓或均匀的地方呈现黑色。
第二种增强:
T是一个非负的阈值,适当性选取可以使边缘突出,且不会破坏灰度比较平缓的背景。
第三种增强:
使根据需要指定的一个灰度级,它将明显边缘用固定的灰度级
表示。
第四种增强:
此方法用一个固定的灰度表示,便于研究边缘灰度的变化。
第五种增强:
生成二值图像,便于研究边缘所在的位置。
Laplacian增强算子
Laplacian算子是线性二阶微分算子。
对于离散的数字图像而言,二阶偏导数与二阶差分近似,由此可以推导出Laplacian算子表达式为:
Laplacian增强算子为
其特点如下:
(1)由于灰度均匀的区域或斜坡中间 为0,Laplacian增强算子不起作用
(2)在斜坡底或低灰度侧形成“下冲”;而在斜坡顶或高灰度侧形成“上冲”,说明Laplacian增强算子具有突出边缘的特点、
0 | -1 | 0 |
-1 | 5 | -1 |
0 | -1 | 0 |
效果图
matlab代码
I=imread('C:\Users\ASUS\Desktop\Digital image processing\photo\5ff2f784ee976a38221a0151c5a4e2a0.jpg');
I=rgb2gray(I);
I=im2double(I);
figure
subplot(3,2,1),imshow(I);title('原图片');%显示原图片
I=medfilt2(I);%第一次降噪滤波
subplot(3,2,2),imshow(I);title('3*3(默认)中值滤波');%显示中值滤波图像
I=histeq(I);%直方图均衡化以增加对比度
subplot(3,2,3),imshow(I);title('直方图均衡化后的图像');%显示直方图均衡化后的图像
I=medfilt2(I);%再进行一次滤波降噪
subplot(3,2,4),imshow(filter2(fspecial('sobel'),I,'same'));title('Sobel滤波图像');%显示Sobel滤波图像
subplot(3,2,5),imshow(filter2(fspecial('prewitt'),I,'same'));title('Prewitt滤波图像');%显示Prewitt滤波图像
subplot(3,2,6),imshow(filter2(fspecial('laplacian'),I,'same'));title('Laplacian滤波图像');%显示Laplacian滤波图像
图像增强学习笔记(三) | 图像锐化相关推荐
- Python计算机视觉编程学习笔记 三 图像到图像的映射
图像到图像的映射 (一)单应性变换 1.2 仿射变换 (二)图像扭曲 2.1 图像中的图像 2.2 图像配准 (三)创建全景图 3.1 RANSAC 3.2 拼接图像 (一)单应性变换 单应性变换是将 ...
- Caffe学习笔记4图像特征进行可视化
Caffe学习笔记4图像特征进行可视化 本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权 欢迎关注我的博客:http://blog.csdn.net/hit201 ...
- Opencv学习笔记(三) -- 图像压缩与保存
1.图像压缩 1.1常用图像格式 bmp Windows位图格式.该格式为不压缩格式,缺点是图像文件较大. jpg JPEG是为静态图像所建立的第一个国际数字图像压缩标准,也是至今一直在使用的.应用最 ...
- SurfaceFlinger学习笔记(三)之SurfaceFlinger进程
概述 本系列是基于android Q 即android10 SurfaceFlinger学习笔记(一)应用启动流程 SurfaceFlinger学习笔记(二)之Surface SurfaceFling ...
- OpenCV学习笔记(九)——图像轮廓(下)
<OpenCV轻松入门:面向Python>学习笔记(九) 1-3 查找并绘制轮廓.矩特性及Hu矩 4-5 轮廓拟合及凸包 6. 利用形状场景算法比较轮廓 6.1 计算形状场景距离 6.2 ...
- Opencv学习笔记(八) -- 图像色彩空间转换
1.常见图像色彩空间 RGB RGB色彩模式是工业界的一种颜色标准,是通过对红(R).绿(G).蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB即是代表红.绿.蓝三个通道 ...
- 【AngularJs学习笔记三】Grunt任务管理器
为什么80%的码农都做不了架构师?>>> #0 系列目录# AngularJs学习笔记 [AngularJs学习笔记一]Bower解决js的依赖管理 [AngularJs学习笔 ...
- J2EE学习笔记三:EJB基础概念和知识 收藏
J2EE学习笔记三:EJB基础概念和知识 收藏 EJB正是J2EE的旗舰技术,因此俺直接跳到这一章来了,前面的几章都是讲Servlet和JSP以及JDBC的,俺都懂一些.那么EJB和通常我们所说的Ja ...
- tensorflow学习笔记(三十二):conv2d_transpose (解卷积)
tensorflow学习笔记(三十二):conv2d_transpose ("解卷积") deconv解卷积,实际是叫做conv_transpose, conv_transpose ...
- Ethernet/IP 学习笔记三
Ethernet/IP 学习笔记三 原文为硕士论文: 工业以太网Ethernet/IP扫描器的研发 知网网址: http://kns.cnki.net/KCMS/detail/detail.aspx? ...
最新文章
- 微型计算机有什么电路组成,第二章 微型计算机的基本电路组成
- mysql backlog_一次优化引发的血案
- centos6.4安装nagios—4.0.8
- php 之 在win10-64 上搭建开发环境
- 多台工作站搭建MPI并行环境
- atheros蓝牙设备驱动 小米_小米Air 13笔记本黑苹果WiFi蓝牙硬件改装方案二
- Linux软件安装部署文档,MetaQ安装部署文档
- 力扣171.Excel表列序号
- 计算机第二显示器黑屏的处理,电脑显示器黑屏的维修处理办法
- 幂级数 | 函数项级数、函数展开成幂级数(泰勒展开+麦克劳林展开)
- HDU 5773 The All-purpose Zero (DP)
- 如何解决农村产权交易难的问题
- 正式工作后的一些变化和感受
- 你真的了解width这个属性吗
- matlab求偏迹,矩阵的偏迹
- 东南大学计算机学院足球队,2017春季“放飞智能”杯东南大学苏州校友足球队比赛赛事系列报道(八)...
- 【逻辑与计算理论】λ演算、组合子逻辑的历史背景
- Win10微信查看图片卡顿或发送图片卡顿的原因和解决方法
- IP协议及MAC帧格式
- 产品经理必须要了解的26个文档