圖像增強-圖像銳化

圖像銳化主要影響圖像中的低頻分量，不影響圖像中的高頻分量。

圖像銳化的主要目的有兩個：

1.增強圖像邊緣，使模糊的圖像變得更加清晰，顏色變得鮮明突出，圖像的質量有所改善，產生更適合人眼觀察和識別的圖像；

2.希望通過銳化處理后，目標物體的邊緣鮮明，以便於提取目標的邊緣、對圖像進行分割、目標區域識別、區域形狀提取等，進一步的圖像理解與分析奠定基礎。

圖像銳化一般有兩種方法：

1.微分法

2.高通濾波法

這里主要介紹一下兩種常用的微分銳化方法：梯度銳化和拉普拉斯銳化。

注意：由於銳化使噪聲受到比信號還要強的增強，所以要求銳化處理的圖像有較高的信噪比；否則，銳化后的圖像的信噪比更低。

 

1.梯度銳化

基本理論

鄰域平均法或加權平均法可以平滑圖像，反過來利用對應的微分算法可以銳化圖像。微分算法是求信號的變化率，有加強高頻分量胡作用，從而使圖像輪廓清晰。

由於圖像模糊胡實質是圖像受到平均或積分運算造成的，所以為了把圖像中任何方向伸展的邊緣肯模糊的輪廓變得清晰，可以對圖像進行逆運算如微分運算，從而使圖像清晰化。

在圖像處理中，一階微分是通過梯度算法來實現的，對於一幅圖像用函數f(x,y)表示，定義在f(x,y)在點(x,y)處的梯度是一個矢量，定義為：

梯度的方向在函數f(x,y)最大變化率的方向上，梯度的幅度G[f(x,y)]可以由以下公式算出：

由上式可知：梯度的數值就是f(x,y)在其最大變化率方向上的單位距離所增加的量。

對於數字圖像而言，微分可用差分來近似。因此上式可以寫成：

為了便於編程和提高運算速度，在計算精度允許的情況下，可采用絕對差算法近似為：

這種算法又稱為水平垂直差分法，另一種梯度算法是交叉的進行查分計算，稱為羅伯特梯度法，表示為：

同樣可采用絕對差算法近似：

運用上述兩種梯度近似算法，在圖像的最后一行后最后一列無法計算像素的梯度時，一般用前一行或前一列的梯度值近似代替。

為了不破壞圖像背景的前提下更好地增強邊緣，也可以對上述直接用梯度值代替灰度值的方法進行改進，可以引入一個閾值來判斷是否對某一像素點進行銳化。具體公式如下：

對於圖像而言，物體與物體之間，背景與背景之間的梯度變化很小，灰度變化較大的地方一般集中在圖像的邊緣上，也就是物體和背景交接的地方。當我們設定一個閾值時，G[f(i,j)]大於閾值就認為該像素點處於圖像的邊緣，對結果加上常數C，以使邊緣變亮；而對於G[f(i,j)]不大於閾值就認為該像素點為同類像素，即同為物體或同為背景，常數C的選取可以根據具體的圖像特點。這樣既增亮了圖像的邊界，同時又保留了圖像背景原來的狀態，比傳統的梯度銳化具有更好的增強效果和適用性。

另外拉普拉斯算子也可用於圖像銳化，這里不再贅述。

算法實現：

 

/*************************************************************************
* 函數名稱：
*   GradSharp()
* 參數:
*   BYTE  bThre        - 閾值
* 返回值:
*   BOOL            - 成功返回TRUE，否則返回FALSE。
* 說明:
*   該函數用來對圖像進行梯度銳化,設定梯度銳化的閾值為30
/************************************************************************/
void CImgEnhance::GradSharp(unsigned char Thre)
{
       unsigned char*    pSrc;       // 指向源圖像的指針
    unsigned char*    pDst;     
    unsigned char*    pSrc1;
    unsigned char*    pSrc2;    
    LONG    i,j;                // 循環變量
    int    bTemp;
    if(m_pImgDataOut != NULL)
    {
        delete []m_pImgDataOut;
        m_pImgDataOut = NULL;
    }
    
    if(m_nBitCount != 8)
    {
        AfxMessageBox("只能處理8位灰度圖像!");
        return ;
    }
       int lineByte = (m_imgWidth * m_nBitCount / 8 + 3) / 4 * 4;

    //創建要復制的圖像區域
    m_nBitCountOut = m_nBitCount;
    int lineByteOut = lineByte;
    if (!m_pImgDataOut)
    {
        m_pImgDataOut = new unsigned char[lineByteOut * m_imgHeight];
    }
    
    int pixelByte = m_nBitCountOut / 8; // 此處實際就是1，因為只處理8位圖像
    for(i = 0; i < m_imgHeight; i++)
    {
        for(j = 0; j < m_imgWidth * pixelByte; j++)
            *(m_pImgDataOut + i * lineByteOut + j) = *(m_pImgData + i * lineByteOut + j);
    }
    
    for(i = 0; i < m_imgHeight; i++)        // 每行
    {        
        for(j = 0; j < m_imgWidth; j++)        // 每列
        {
                //指向新DIB第i行第j列的像素的指針
            pDst = m_pImgDataOut + lineByte * i + j;
            
            // 進行梯度運算
            // 指向DIB第i行，第j個象素的指針
            pSrc  = (unsigned char*)m_pImgData + lineByte * i + j;            
            // 指向DIB第i+1行，第j個象素的指針
            pSrc1 = (unsigned char*)m_pImgData + lineByte * (i+1) + j;            
            // 指向DIB第i行，第j+1個象素的指針
            pSrc2 = (unsigned char*)m_pImgData + lineByte * i + j + 1; 
            bTemp = abs((*pSrc)-(*pSrc1)) + abs((*pSrc)-(*pSrc2));
            
            // 判斷是否小於閾值
            if ((bTemp+120) < 255)
            {
                // 判斷是否大於閾值，對於小於情況，灰度值不變。
                if (bTemp >= Thre)
                {
                    *pSrc = bTemp + 120;
                }
            }
            else
            {
                *pSrc = 255;
            }
            //生成新的DIB像素值
            *pDst = *pSrc;
        }
    }
    
}