Python实现多种图像锐化方法：拉普拉斯算子和Sobel算子-Toy模板网

这篇具有很好参考价值的文章主要介绍了Python实现多种图像锐化方法：拉普拉斯算子和Sobel算子。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Python实现多种图像锐化方法：拉普拉斯算子和Sobel算子

图像和视频逐渐成为人们生活中信息获取的重要来源，而图像和视频在传输过程中有很多因素可能造成图像模糊，比如不正确的聚焦会产生离焦模糊，景物和照相机的相对运动会造成运动模糊，图像压缩造成的高频成分丢失模糊。

模糊降低了图像的清晰度，严重影响了图像质量，导致图像分析、处理变得困难，因此必须使用有效的图像锐化方法来提高图像清晰度。

本文首先介绍了两种图像锐化方法：拉普拉斯算法和Sobel算法。

然后针对灰度图像进行了高斯模糊处理，并采用了上述算法来进行图像锐化。

图像锐化

图像模糊降低了图像的清晰度，严重影响图像质量，导致图像分析、处理变得异常困难，因此必须要使用有效的去除图像模糊方法来提高图像清晰度，从而提高系统的整体性能。

去除图像模糊算法又称为图像锐化，是指补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰。目前有很多的图像锐化方法，如梯度法、Sobel算子、拉普拉斯算子、高通滤波等。本文主要介绍拉普拉斯算子和Sobel算子

拉普拉斯算子

拉普拉斯是一种微分算子，它的应用可增强图像中灰度突变的区域，减弱灰度的缓慢变化区域。

因此可以选择拉普拉斯算子对原图像进行锐化处理：先产生描述灰度突变的图像，再将拉普拉斯图像与原始图像叠加从而产生锐化图像！

Python实现多种图像锐化方法：拉普拉斯算子和Sobel算子,通信专业课程笔记,python,图像处理

Sobel算子

Sobel算子是一阶微分的边缘检测算子，它是将原图像中某个像素的值，作为它本身灰度值和其相邻像素灰度值进行运算的函数。它实际上是一种模板匹配算法，模板中有一个锚点，通常是矩阵中心点，和原图像中待计算点对应；整个模板对应的区域，就是原图像中像素点的相邻区域，模板运算目的是让图像变好。

Python实现多种图像锐化方法：拉普拉斯算子和Sobel算子,通信专业课程笔记,python,图像处理

Python代码实现拉普拉斯算子和Sobel算子

# @description:
# @author:Jianping Zhou
# @email:jianpingzhou0927@gmail.com
# @Time:2022/11/29 9:30
import cv2
import numpy as np
from skimage import io

# 导入图片
raw_img = cv2.imread("../BMP_images/lena512.BMP")
cv2.imshow('raw_image', raw_img)

# 转换灰度
# gimg = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gimg = raw_img

# 高斯模糊化
# dst = cv2.GaussianBlur(img,ksize=(5,5),sigmaX=0,sigmaY=0)
# 创建毛玻璃特效
# 参数2：高斯核的宽和高（建议是奇数）
# 参数3：x和y轴的标准差
img = cv2.GaussianBlur(gimg, (11, 11), 0)
cv2.imshow('GaussianBlur_image', img)
io.imsave('./results/GaussianBlur_image.png', img)

# 拉普拉斯算子锐化
kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32)  # 定义拉普拉斯算子
dst = cv2.filter2D(img, -1, kernel=kernel)  # 调用opencv图像锐化函数

# sobel算子锐化
# 对x方向梯度进行sobel边缘提取
x = cv2.Sobel(gimg, cv2.CV_64F, 1, 0)
# 对y方向梯度进行sobel边缘提取
y = cv2.Sobel(gimg, cv2.CV_64F, 0, 1)
# 对x方向转回uint8
absX = cv2.convertScaleAbs(x)
# 对y方向转会uint8
absY = cv2.convertScaleAbs(y)
# x，y方向合成边缘检测结果
dst1 = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
# 与原图像堆叠
res = dst1 + gimg

# 测试
# print("dstshape:",dst1)
# print("resshape:",res)

# 按要求左右显示原图与拉普拉斯处理结果
# result1 = np.hstack([raw_img, img, dst])
result1 = dst
cv2.imshow('lapres', result1)
io.imsave('./results/lapres.png', result1)

# 按要求左右显示原图与sobel处理结果
# result2 = np.hstack([raw_img, img, res])
result2 = res
cv2.imshow('sobelres', result2)
io.imsave('./results/sobelres.png', result2)

# 去缓存
cv2.waitKey(0)
cv2.destroyAllWindows()