一、关于锐化
1.图像的锐化是图像增强中的一个子集；
2.图像锐化是让图像变得更清晰，主要是高频增强&噪声放大&伪影控制
3.图像锐化有空域算子，SM锐化和USM反锐化掩膜，以及多尺度和变换域方法，以及深度学习算法
4.图像锐化的目的是选择性放大图像中已有的局部差异。
二、关于图像增强
1.图像增强是一个上位概念，目标是改善图像的视觉质量或使其更适合特定任务。它涵盖对比度拉伸、直方图均衡化、去噪、色彩校正、亮度调整、锐化等一整套操作。
三、图像锐化如何区分噪声和图像细节以及边缘
1.半径、增益与阈值分别控制高频提取的空间尺度、增强强度与噪声准入门槛。
2.噪声、细节（纹理）和边缘在频域上都表现为高频分量，在空域上都表现为局部像素值差异。单从"高频"这一属性无法区分它们。区分依赖于它们在其他维度上的统计/结构差异。
四、噪声 & 细节区分
区分维度：
幅度/强度维度：
边缘：大梯度、大幅值
细节（纹理）：中等幅值
噪声：小幅值（通常）
方法：阈值（Threshold）------USM的经典手段
局限：强噪声可能超过弱边缘；弱纹理可能低于噪声
空间结构/几何维度：
边缘：有方向性、连续、结构化
细节：有重复模式或方向性
噪声：随机、无方向、各向同性、不连续
方法：方向滤波、结构张量、局部梯度一致性、边缘保持滤波（双边、引导、各向异性扩散）
局限：某些纹理本身就很随机（如草地、沙粒），与噪声难以区分
五、如何锐化图像的情况下压制噪声
单一维度不足以可靠区分，实践中通常组合多种手段：
先降噪、后锐化：在锐化前用边缘保持滤波器（双边、引导、非局部均值）压制噪声，减少后续锐化需要区分的对象。
阈值 + 边缘保持掩模：阈值提供幅度门槛，双边/引导掩模提供结构选择性，两者互补。
多尺度 + 自适应增益：在粗尺度保留边缘增强，在细尺度加强噪声压制，增益随局部统计量调节。
只锐化亮度通道：从通道层面排除色度噪声的干扰。
根据图像内容调参：高噪声图像提高阈值、降低增益、优先使用边缘保持掩模；干净图像可降低阈值以释放弱细节。
六、总结
没有单一判据是完备的，稳健的做法是组合"幅度门槛（阈值）+ 结构选择性（边缘保持掩模/方向分析）+ 尺度分离（多尺度分解）+ 前置降噪"四类手段，并接受在重叠区必然存在取舍。