1. 图像锐化和增强

图像锐化是一种突出和加强图像中景物的边缘和轮廓的技术，使图像变得更加清晰。它通过增强图像的高频分量来减少图像中的模糊，增强图像细节边缘和轮廓，增强灰度反差，便于后期对目标的识别和处理。

图像增强是改善图像质量的技术，包括图像锐化、去噪、对比度增强、色彩增强等。图像锐化是图像增强中的一种重要技术。

图像锐化和图像增强的区别在于，图像锐化侧重于突出图像中的细节，而图像增强则可以包括更广泛的操作，以满足不同的应用需求。

以下简单总结了图像锐化和图像增强之间的区别：

特征	图像锐化	图像增强
目的	增强图像的边缘和细节	改善图像的整体质量
方法	增强图像的高频分量	可以包括锐化、去噪、对比度增强、色彩调整等多种操作
应用	适用于需要突出图像细节的场景，例如医学图像处理、遥感图像分析等	适用于需要改善图像质量的各种场景，例如照片编辑、视频处理等

2. 图像锐化方法

图像锐化的方法主要有以下两种：

空间域方法：在空间域上直接对图像进行处理。常用的空间域锐化方法包括： a. 锐化滤波器：利用锐化滤波器对图像进行卷积运算，增强图像的边缘和细节。常用的锐化滤波器包括 Prewitt 算子、Roberts 算子、Laplace 算子等。

b. USM 锐化：USM（Unsharpen Mask）锐化是一种常用的锐化方法，它先对图像进行高斯滤波，然后用原图像减去高斯滤波后的图像，再将结果乘以一个系数，最后将结果加到原图像中。
频域方法：将图像变换到频域，然后对高频分量进行增强，再将图像变换回空间域。常用的频域锐化方法包括高通滤波等。

3. 拉普拉斯锐化和 USM 锐化

3.1 拉普拉斯锐化

在该系列的第八篇和第十篇文章中，都曾经介绍过拉普拉斯算子，它是二阶导数的边缘算子。

之前我们曾介绍过二阶导数的 Laplace 算子可以通过差分近似来简化，其公式为：

<math xmlns="http://www.w3.org/1998/Math/MathML"> ∇ 2 f ( x , y ) = f ( x + 1 , y ) + f ( x − 1 , y ) + f ( x , y + 1 ) + f ( x , y − 1 ) − 4 f ( x , y ) \nabla^2f(x,y)= f(x+1,y)+f(x-1,y)+ f(x,y+1)+f(x,y-1)-4f(x,y) </math>∇2f(x,y)= f(x+1,y)+f(x−1,y)+f(x,y+1)+f(x,y−1)−4f(x,y)

它的 4 邻域卷积核：

它的 8 邻域卷积核：

拉普拉斯锐化通过增强图像中的二阶导数来突出边缘。

拉普拉斯锐化的基本原理：当邻域的中心像素灰度低于它所在邻域内的其他像素的平均灰度时，此中心像素的灰度应该进一步降低；当高于时进一步提高中心像素的灰度，从而实现图像锐化处理。

拉普拉斯的锐化公式： <math xmlns="http://www.w3.org/1998/Math/MathML"> g ( x , y ) = f ( x , y ) + c [ ∇ 2 f ( x , y ) ] g(x,y)=f(x,y)+c[\nabla^2f(x,y)] </math>g(x,y)=f(x,y)+c[∇2f(x,y)]

其中，f(x,y) 表示原图，g(x,y) 表示锐化后的图像。

对于 4 邻域卷积核：

<math xmlns="http://www.w3.org/1998/Math/MathML"> g ( x , y ) = f ( x , y ) − ∇ 2 f ( x , y ) = 5 f ( x , y ) − f ( x + 1 , y ) − f ( x − 1 , y ) − f ( x , y + 1 ) − f ( x , y − 1 ) g(x,y)=f(x,y) - \nabla^2f(x,y)= 5f(x,y)-f(x+1,y)-f(x-1,y)-f(x,y+1)-f(x,y-1) </math>g(x,y)=f(x,y)− ∇2f(x,y)= 5f(x,y)−f(x+1,y)−f(x−1,y)−f(x,y+1)−f(x,y−1)

用模板表示如下：

<math xmlns="http://www.w3.org/1998/Math/MathML"> [ 0 − 1 0 − 1 5 − 1 0 − 1 0 ] \begin{bmatrix} 0 & -1 & 0 \\ -1 & 5 & -1 \\ 0 & -1 & 0 \end{bmatrix} </math> 0−10−15−10−10

对于 8 邻域卷积核：

<math xmlns="http://www.w3.org/1998/Math/MathML"> g ( x , y ) = f ( x , y ) − ∇ 2 f ( x , y ) = 9 f ( x , y ) − f ( x − 1 , y − 1 ) − f ( x , y − 1 ) − f ( x + 1 , y − 1 ) − f ( x − 1 , y ) − f ( x + 1 , y ) − f ( x − 1 , y + 1 ) − f ( x , y + 1 ) − f ( x + 1 , y + 1 ) g(x,y)=f(x,y) - \nabla^2f(x,y) = 9f(x,y)- f(x-1,y-1)-f(x,y-1)-f(x+1,y-1)-f(x-1,y)-f(x+1,y)-f(x-1,y+1)-f(x,y+1)-f(x+1,y+1) </math>g(x,y)=f(x,y)− ∇2f(x,y)= 9f(x,y)−f(x−1,y−1)−f(x,y−1)−f(x+1,y−1)−f(x−1,y)−f(x+1,y)−f(x−1,y+1)−f(x,y+1)−f(x+1,y+1)

用模板表示如下：

<math xmlns="http://www.w3.org/1998/Math/MathML"> [ − 1 − 1 − 1 − 1 9 − 1 − 1 − 1 − 1 ] \begin{bmatrix} -1 & -1 & -1 \\ -1 & 9 & -1 \\ -1 & -1 & -1 \end{bmatrix} </math> −1−1−1−19−1−1−1−1

拉普拉斯锐化可以有效地增强图像的边缘和细节，但它也会放大图像中的噪声。因此，在锐化图像之前，通常需要先进行去噪处理。

下面的例子，通过 8 邻域拉普拉斯算子对图像进行锐化

cpp 复制代码

#include <opencv2/opencv.hpp>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>

using namespace std;
using namespace cv;

int main() {
    Mat src = imread(".../girl.jpg");

    imshow("src", src);

    int height = src.rows;
    int width  = src.cols;
    int border = 1;
    Mat dst(height, width, CV_8UC3);
    for (int i = border; i < height - border; i++) {
        for (int j = border; j < width - border; j++) {
            for (int k = 0; k < 3; k++) {
                int sum = 9 * src.at<Vec3b>(i, j)[k] - src.at<Vec3b>(i - 1, j - 1)[k] - src.at<Vec3b>(i - 1, j)[k]
                          - src.at<Vec3b>(i - 1, j + 1)[k] - src.at<Vec3b>(i, j - 1)[k] - src.at<Vec3b>(i, j + 1)[k]
                          - src.at<Vec3b>(i + 1, j - 1)[k] - src.at<Vec3b>(i + 1, j)[k] - src.at<Vec3b>(i + 1, j + 1)[k];
                dst.at<Vec3b>(i, j)[k] = saturate_cast<uchar>(sum);
            }
        }
    }

    imshow("laplaceSharp", dst);

    waitKey(0);
    return 0;
}

当然，上述代码中拉普拉斯锐化的实现也可以用 filter2D()函数实现。

3.2 USM 锐化

USM 锐化(Unsharp Mask Sharpening)，它通过增强图像的边缘和细节来使图像变得更加清晰。

USM 锐化的工作原理是：

对原图像进行高斯模糊处理，得到模糊后的图像。
将原图像减去模糊后的图像，得到残差图像。
将残差图像乘以一个锐化因子 ，得到增强后的残差图像。
将增强后的残差图像与原图像进行叠加，得到锐化后的图像。

USM 锐化具有以下特点：

可以有效地增强图像的边缘和细节。
具有较强的控制性，用户可以通过调整锐化因子、半径和阈值等参数来控制锐化效果。
可能会放大图像中的噪声。

USM 锐化通常具有以下三个参数：

锐化因子（Amount）：控制锐化效果的强度。值越大，锐化效果越明显。
阈值（Threshold）：控制哪些像素会被锐化。值越大，只有灰度值差异较大的像素才会被锐化，可以减少噪声的影响。
半径（Radius）：控制锐化范围的大小。值越大，锐化范围越大，边缘越模糊。

下面的例子，实现了一个 USM 锐化。

cpp 复制代码

#include <opencv2/opencv.hpp>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>

using namespace std;
using namespace cv;

void unsharpMask(const Mat& src, Mat& dst, int radius, int threshold, int amount) {
    int height = src.rows;
    int width = src.cols;
    GaussianBlur(src, dst, cv::Size(radius, radius), 2, 2);

    for (int h = 0; h < height; ++h) {
        for (int w = 0; w < width; ++w) {
            int b = src.at<Vec3b>(h, w)[0] - dst.at<Vec3b>(h, w)[0];
            int g = src.at<Vec3b>(h, w)[1] - dst.at<Vec3b>(h, w)[1];
            int r = src.at<Vec3b>(h, w)[2] - dst.at<Vec3b>(h, w)[2];
            if (abs(b) > threshold) {
                b = src.at<Vec3b>(h, w)[0] + amount * b / 100;
                dst.at<Vec3b>(h, w)[0] = saturate_cast<uchar>(b);
            }
            if (abs(g) > threshold) {
                g = src.at<Vec3b>(h, w)[1] + amount * g / 100;
                dst.at<Vec3b>(h, w)[1] = saturate_cast<uchar>(g);
            }
            if (abs(r) > threshold) {
                r = src.at<Vec3b>(h, w)[2] + amount * r / 100;
                dst.at<Vec3b>(h, w)[2] = saturate_cast<uchar>(r);
            }
        }
    }
}

int main() {
    Mat src = imread(".../girl.jpg");

    imshow("src", src);

    Mat dst = Mat(src.size(), src.type());
    unsharpMask(src,dst, 181, 0, 90);
    imshow("usm", dst);

    waitKey(0);
    return 0;
}

4. 总结

本文简单介绍了图像锐化和增强的含义以及他们之间的区别。

详细介绍了2种锐化方式，拉普拉斯锐化通常适用于需要快速锐化图像的场景，例如对模糊的图像进行简单的锐化处理。USM 锐化通常适用于需要对锐化效果进行精细控制的场景，例如对照片进行锐化处理。当然，也可以将两种方法结合使用，例如先使用拉普拉斯锐化进行快速锐化，然后再使用 USM 锐化进行精细调整。