OpenCV：图像锐化

目录

1.简介

2.滤波

2.1 Sobel算子

1.Sobel输出类型为CV_8U

2.Sobel输出类型为CV_16S

2.2 Laplacian算子

1.没有高斯平滑的拉普拉斯算子 

2.高斯平滑后的拉普拉斯算子-LoG算子 

 2.3 Roberts算子

---

sobel	cv::Sobel()
laplacian	cv::Laplacian()
Mat数据类型转换	convertTo()

1.简介

边缘定义为图像中亮度突变的区域，可以利用微分方法去检测图像中的边缘。在图像处理中最常用的应用微分方法就是计算梯度（方向导数取最大值的方向的向量）。

图像为离散的数字矩阵，因此用差分代替微分，得到梯度图像。梯度图像反映的是图像中灰度级的变化，边缘检测需要进一步判断梯度图像中的特殊点。

图像锐化的目的是加强图像中景物的边缘与轮廓，突出图像中的细节或者增强被模糊了的细节。实质是将原图像和梯度图像相加，以增强图中的变化。

2.滤波

2.1 Sobel算子

先加权平滑，再做微分运算。Sobel算子引入平均元素，对图像中随机噪声有一定的平滑作用，但不能完全排除虚假边缘，检测出的边缘容易出现多像素宽度。

详情：Sobel算子  Mat数据类型及转换 

void Sobel (
 InputArray src,//输入图
 OutputArray dst,//输出图
 int ddepth,//输出图像的深度
 int dx,
 int dy,
 int ksize=3,
 double scale=1,
 double delta=0,
 int borderType=BORDER_DEFAULT );

主要在ddepth的理解上

- 若src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F
- 若src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F
- 若src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F
- 若src.depth() = CV_64F, 取ddepth = -1/CV_64F
ddepth =-1时，代表输出图像与输入图像相同的深度。

黑色到白色的过渡被视为正斜率（具有正值），而白色到黑色的过渡被视为负斜率（具有负值）。输出设置为CV_8U会丢失负值。如果要检测两个边缘，更好的选择是将输出数据类型保留为更高的形式，例如CV_16S，CV_64F等，取其绝对值，然后转换回CV_8U。 

1.Sobel输出类型为CV_8U

    Mat dst1;
	Mat dst2;

	Sobel(image, dst1, -1, 1, 0);#CV_8U
	imshow("Gx", dst1);

	Sobel(image, dst2, -1, 0, 1);
	imshow("Gy", dst2);

	add(abs(dst1), abs(dst2), out);
	imshow("梯度图像", out);

	add(image,out,out);
	imshow("锐化图像", out);

2.Sobel输出类型为CV_16S

    cout << image.depth() << endl;
	Mat dst1;
	Mat dst2;
	Sobel(image, dst1, CV_16S, 1, 0);
	Sobel(image, dst2, CV_16S, 0, 1);

	dst1=abs(dst1);
	dst2=abs(dst2);

	add(dst1, dst2, out);
	cout << out.depth() << endl;
	out.convertTo(out, CV_8U);
	imshow("梯度图像", out);

	add(image,out,out);
	imshow("锐化图像", out);
	
	dst1.convertTo(dst1, CV_8U);
	imshow("Gx", dst1);

	dst2.convertTo(dst2, CV_8U);
	imshow("Gy", dst2);

 

2.2 Laplacian算子

详情：Laplacian()函数

二阶微分算子，对噪声敏感，不能检测边缘的方向。容易丢失一部分边缘的方向信息，造成一些不连续的检测边缘。

    //GaussianBlur(image, image, Size(3, 3), 0);
	Laplacian(image, out, CV_16S, 3);
	out.convertTo(out, CV_8U);
	imshow("梯度图像", out);

	add(image, out, out);
	imshow("锐化图像", out);

1.没有高斯平滑的拉普拉斯算子 

 

2.高斯平滑后的拉普拉斯算子-LoG算子 

 

 2.3 Roberts算子

通过交叉微分检测局部变化，边缘定位精度较高，但容易丢失一部分边缘。由于图像没经过平滑处理，因此不具备能抑制噪声能力，对陡峭边缘且含噪声少的图像效果较好。用模板做的。

#include
#include
#include
using namespace cv;
using namespace std;

int main(int argc, char** argv) {
	Mat image = imread("C:/Users/YY/Pictures/Saved Pictures/frose.jpg");
	Mat out;
	imshow("原图", image);

	Mat k1 = (Mat_(2, 2) << 1, 0, 0, -1);
	Mat k2 = (Mat_(2, 2) << 0, 1, -1, 0);
	Mat dst1;
	Mat dst2;

	filter2D(image, dst1, -1,k1);//输出类型CV_8U
	filter2D(image, dst2, -1, k2);

	add(abs(dst1), abs(dst2), out);
	imshow("梯度图像", out);

	add(image,out,out);
	imshow("锐化图像", out);

	waitKey(0);
	destroyAllWindows();
	return 0;
}

同样更改输出类型为CV_16S,结果如下：

    filter2D(image, dst1, CV_16S, k1);
	filter2D(image, dst2, CV_16S, k2);

	add(abs(dst1), abs(dst2), out);
	out.convertTo(out, CV_8U);
	imshow("梯度图像", out);