1，空间域锐化滤波（高通滤波）
图像模糊通过平滑（加权平均）来实现，类似于积分运算。图像锐化则通过微分运算（有限差分）实现，使用一阶微分或二阶微分都可以得到图像灰度的变化值。
图像锐化的目的是增强图像的灰度跳变部分，使模糊的图像变得清晰。图像锐化也称为高通滤波，通过和增强高频，衰减和抑制低频。图像锐化常用于电子印刷、医学成像和工业检测。
图像梯度提取方法简单直接，能够有效的描述图像的原始状态，因此发展出多种图像梯度算子：Roberts、Prewitt、Sobel、Laplacian、Scharr。
2，图像梯度
思考，清晰图像和模糊图像之间的差别是什么？
从逻辑上考虑，图像模糊是因为图像中物体的轮廓不明显，轮廓边缘灰度变化不强烈，层次感不强造成的，那么反过来考虑，轮廓边缘灰度变化明显些，层次感强些是不是图像就更清晰些呢。
那么，这种灰度变化明显不明显怎样去定义呢？
我们学过微积分，知道微分就是求函数的变化率，即导数（梯度），那么对于图像来说，可不可以用微分来表示图像灰度的变化率呢，当然是可以的，图像就是函数嘛。
3，常见梯度算子
Sobel算子：
CV_EXPORTS_W void Sobel( InputArray src, OutputArray dst, int ddepth,
int dx, int dy, int ksize = 3,
double scale = 1, double delta = 0,
int borderType = BORDER_DEFAULT );
参数说明：
src：输入图像，灰度图像，不适用彩色图像
dst：输出图像，大小和类型与 src 相同
ddepth：输出图片的数据深度，由输入图像的深度进行选择
dx：x 轴方向导数的阶数，1 或 2
dy：y 轴方向导数的阶数，1 或 2
ksize：Sobel 卷积核的大小，可选的取值为：1/3/5/7，ksize=-1 时使用 Scharr 算子运算
scale：缩放比例因子，可选项，默认值为 1
delta：输出图像的偏移量，可选项，默认值为 0
borderType：边界扩充的类型，注意不支持对侧填充（BORDER_WRAP）
Sobel 算子是一种离散的微分算子，是高斯平滑和微分求导的联合运算，抗噪声能力强。
Sobel 梯度算子利用局部差分寻找边缘，计算得到梯度的近似值。先计算水平、垂直方向的梯度 G x = k x ∗ s r c ， G y = k y ∗ s r c 再求总梯度 $ G = \sqrt{G_x2+G_y2}$ 。编程实现时，可以用绝对值近似平方根： G = ∣ G x ∣ + ∣ G y ∣
Sobel 梯度算子是由平滑算子和差分算子卷积得到，Sobel 梯度算子的卷积核为：
此外，为了处理微分运算导致的数据异常（超出 [0，255]），OpenCV 提供了 cv.convertScaleAbs 进行饱和运算（saturate）： dst=saturate(src∗α+beta)。
函数说明：
cv.convertScaleAbs(src, dst, alpha, beta)
参数说明：
src：输入图像，可以是灰度图像，也可以是多通道的彩色图像
dst：输出图像，大小和类型与 src 相同
alpha：调节系数，可选项，默认值为 1
beta：亮度调节，可选项，默认值为 0
Scharr算子：（可以看做Sobel增强）
CV_EXPORTS_W void Scharr( InputArray src, OutputArray dst, int ddepth,
int dx, int dy, double scale = 1, double delta = 0,
int borderType = BORDER_DEFAULT );
Robot算子：
图像梯度：（L2和L1）
各种算子的应用，选择方法：
（1）Robot算子是轻量级的，当我们需要提取的图像边缘质量较好，而且主要是想提取主要边缘的时候适用；
（2）Sobel算子是比Robot稍好的算子；
（3）Scharr算子是更强烈的算子，当我们需要提取的图像边缘质量不佳的时候适用
3，代码示例参考
Mat src = imread("F:/code/images/ttt.png");
if (src.empty()) {
printf("fail to read");
return -1;
}
namedWindow("input", WINDOW_AUTOSIZE);
imshow("input", src);
// robot gradient 计算
Mat robot_x = (Mat_<int>(2, 2) << 1, 0, 0, -1);
Mat robot_y = (Mat_<int>(2, 2) << 0, 1, -1, 0);
Mat grad_x, grad_y;
filter2D(src, grad_x, CV_32F, robot_x, Point(-1, -1), 0, BORDER_DEFAULT);
filter2D(src, grad_y, CV_32F, robot_y, Point(-1, -1), 0, BORDER_DEFAULT);
convertScaleAbs(grad_x, grad_x);
convertScaleAbs(grad_y, grad_y);
Mat result;
add(grad_x, grad_y, result);//L1梯度
imshow("robot gradient", result);
// sobel and scharr
Sobel(src, grad_x, CV_32F, 1, 0);
Sobel(src, grad_y, CV_32F, 0, 1);
convertScaleAbs(grad_x, grad_x);
convertScaleAbs(grad_y, grad_y);
Mat result2;
addWeighted(grad_x, 0.5, grad_y, 0.5, 0, result2);
imshow("sobel gradient", result2);
Scharr(src, grad_x, CV_32F, 1, 0);
Scharr(src, grad_y, CV_32F, 0, 1);
convertScaleAbs(grad_x, grad_x);
convertScaleAbs(grad_y, grad_y);
Mat result3;
addWeighted(grad_x, 0.5, grad_y, 0.5, 0, result3);
imshow("scharr gradient", result3);
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
文章由极客之音整理，本文链接：https://www.bmabk.com/index.php/post/182011.html
