第四章图像增强_图像锐化资料.ppt

USM USM USM USM USM USM 查找边缘 查找边缘 查找边缘 查找边缘 查找边缘 照亮边缘 照亮边缘 照亮边缘 照亮边缘 照亮边缘 Terms Image sharpening: 图象锐化 Contour: 轮廓 Edge: 边界，边缘 Boundary:边界 Deblurring: 去模糊 High frequency enhancement filter: 高频加强滤波器 Terms Differentiation: 微分 Gradient vector: 梯度向量 Gradient magnitude: 梯度值，梯度 Background: 背景 Object: 物体 Scene: 景物，场景 Unsharp masking: 反锐化掩模 Terms Overshoot: 过冲 Ring: 振铃 Step function: 阶跃函数 Unit step function: 单位阶跃函数 Rectangular pulse: 矩形脉冲 Triangular pulse: 三角形脉冲 Gaussian function: 高斯函数 Terms Impulse: 冲激函数 Dirac delta function: 狄拉克?函数 * * * 图象经转换或传输后，质量可能下降，难免有些模糊。 图象锐化目的：加强图象轮廓，使图象看起来比较清晰。 图象锐化 考察正弦函数 ，它的微分 。微分后频率不变，幅度上升2πa倍。 微分法 空间频率愈高，幅度增加就愈大。这表明微分是可以加强高频成分的，从而使图象轮廓变清晰。 最常用的微分方法是梯度法。设图象函数为f (x,y)，它的梯度 (Gradient)是一个向量，定义为： 微分法 在(x,y)点处的梯度，方向是f (x,y)在这点变化率最大的方向，而其长度（记G[f (x,y)]）则等于f (x,y) 的最大变化率，即 微分法 为方便起见，以后把梯度长度也简称为梯度。 对数字图象，用差分来近似微分。 两种常用差分算法 （1）典型梯度算法 微分法 （2）罗伯茨（Roberts）梯度算法 微分法 罗伯茨梯度算法 典型梯度算法 * 锐化滤波器-梯度算子法 Gx和Gy 用近似值： 得到Sobel算子 * 梯度锐化实例 效果 图a:Cameraman原始图像，包含有各种朝向的边缘 图b:用Sobel水平模板，它对垂直边缘有较强的响应 图c:用Sobel垂直模板，它对水平边缘有较强的响应 a b c * 锐化滤波器-拉普拉斯算子法 f(x,y)在(x,y)的拉普拉斯算子为 对数字图像 因f(x,y)离散，所以 上述二算法运算较费时。为更适合计算机实现，采用绝对差分算法： 微分法 及 注：对NxN数字图象，不可能在最后一行(x=N)和最后一列(y=N)象素上计算梯度值。一种补救办法：用前一行(x=N-1)和前一列(y=N-1)对应象素的梯度值。 微分法 某象素上的梯度值是该象素与相邻象素的灰度差值的单调递增函数。 图象轮廓上，象素灰度有陡然变化，梯度值很大。 图象灰度变化平缓区域，梯度值很小。 等灰度区域，梯度值为零。 微分法 哪一个梯度大？ 一旦计算梯度的算法确定，有许多方法使图象轮廓突出。 微分法 轮廓比较突出，灰度平缓变化部分，梯度小，很黑。 （1） 微分法 T：门限值、阈值(threshold)，非负。适当选择T ，既突出轮廓，又不破坏背景。 （2）背景保留 微分法 LG：指定的轮廓灰度值。 （3）背景保留，轮廓取单一灰度值。 微分法 LB：指定的背景灰度值。 （4）轮廓保留，背景取单一灰度值。 微分法 LG：指定的轮廓灰度值。 LB：指定的背景灰度值。 （5）轮廓、背景分别取单一灰度值，即二值化。只对轮廓感兴趣。 实 例 * * *