非锐化掩模 (Unsharp Masking)

步骤：

1. 模糊图像：使用高斯模糊滤波器对原图像进行模糊处理，得到模糊图像。
2. 计算细节层：通过从原图像中减去模糊图像，得到细节层。
3. 增强图像：将细节层乘以一个增益系数后加回到原图像，得到增强后的图像。

公式：
设原图像为 ( I )，模糊图像为 (I blur )，细节层为 ( D )，增益系数为 ( k )，最终的锐化图像 ( I’ ) 计算如下：

$$D=I-I_{\text{blur}}$$

$$I^{\prime }=I+k\cdot D$$

代码示例：

import cv2
import numpy as np

def unsharp_mask(image, k=1.5):
    # 高斯模糊图像
    blurred = cv2.GaussianBlur(image, (9, 9), 10.0)
    # 计算细节层
    detail = image - blurred
    # 增强图像
    sharpened = image + k * detail
    return np.clip(sharpened, 0, 255).astype(np.uint8)

image = cv2.imread('Task3.jpg')
sharpened_image = unsharp_mask(image)
cv2.imshow('Original Image', image)
cv2.imshow('Unsharp Masked Image', sharpened_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

拉普拉斯滤波器 (Laplacian Filter)

步骤：

1. 计算拉普拉斯图像：使用拉普拉斯算子计算图像的二阶导数，得到拉普拉斯图像。
2. 增强图像：将拉普拉斯图像加回到原图像中，得到锐化后的图像。

公式：
设原图像为 ( I )，拉普拉斯图像为 ( L )，最终的锐化图像 ( I’ ) 计算如下：

$$L=\Delta I=\frac{{\partial }^{2}I}{\partial x^2}+\frac{{\partial }^{2}I}{\partial y^2}$$

$$I^{\prime }=I+k\cdot L$$

代码示例：

import cv2
import numpy as np

def laplacian_sharpen(image, k=1.0):
    # 计算拉普拉斯图像
    laplacian = cv2.Laplacian(image, cv2.CV_64F)
    laplacian = np.uint8(np.absolute(laplacian))
    # 增强图像
    sharpened = cv2.addWeighted(image, 1, laplacian, k, 0)
    return sharpened

image = cv2.imread('path_to_your_image.jpg')
sharpened_image = laplacian_sharpen(image)
cv2.imshow('Original Image', image)
cv2.imshow('Laplacian Sharpened Image', sharpened_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果对比

了将非锐化掩模（Unsharp Masking）和拉普拉斯滤波器（Laplacian Filter）的方法整合到一个代码中，并对比展示效果，将两个锐化方法的结果放在同一个窗口中进行展示

import cv2
import numpy as np
import matplotlib.pyplot as plt

def unsharp_mask(image, k=1.5):
    # 高斯模糊图像
    blurred = cv2.GaussianBlur(image, (9, 9), 10.0)
    # 计算细节层
    detail = image - blurred
    # 增强图像
    sharpened = image + k * detail
    return np.clip(sharpened, 0, 255).astype(np.uint8)

def laplacian_sharpen(image, k=1.0):
    # 计算拉普拉斯图像
    laplacian = cv2.Laplacian(image, cv2.CV_64F)
    laplacian = np.uint8(np.absolute(laplacian))
    # 增强图像
    sharpened = cv2.addWeighted(image, 1, laplacian, k, 0)
    return sharpened

def display_images(original, unsharp, laplacian):
    titles = ['Original Image', 'Unsharp Masked ', 'Laplacian Sharpened ']
    images = [original, unsharp, laplacian]
    plt.figure(figsize=(10, 10)) 
    for i in range(3):
        plt.subplot(1, 3, i + 1)
        plt.imshow(cv2.cvtColor(images[i], cv2.COLOR_BGR2RGB))
        plt.title(titles[i])
        plt.xticks([]), plt.yticks([])

    plt.show()

def main():
    image_path = 'Task3.jpg'  # 请替换为你的图像路径
    image = cv2.imread(image_path)

    if image is None:
        print(f"Error: Unable to load image at {image_path}")
        return

    unsharp_image = unsharp_mask(image)
    laplacian_image = laplacian_sharpen(image)

    display_images(image, unsharp_image, laplacian_image)

if __name__ == "__main__":
    main()

具体效果对比如下：不同的图片的效果可能不同

总结

这两种锐化方法各有优缺点，要根据具体需求选择合适的方法：

• 非锐化掩模：

  • 优点：能够灵活控制图像的锐化程度，通过调整增益系数和模糊程度，可以获得较为自然的锐化效果。
  • 缺点：在处理带有高噪声的图像时，容易放大噪声。

• 拉普拉斯滤波器：

  • 优点：计算简单，能够快速增强图像边缘和细节。
  • 缺点：容易引入噪声和伪影，对噪声不敏感的图像效果更好。

通过应用这些方法，可以有效增强图像的边缘和细节，使图像看起来更加清晰和锐利。