GDAL 遥感 图像处理 锐化（Laplace算子、Sobel算子）
GDAL 图像锐化
-
- 简介
- 拉普拉斯（Laplace）算子
-
- 部分代码：
- 索贝尔（Sobel）算子
-
- 部分代码：
- 处理效果
-
- 原图
- （Laplace）
- （Sobel）
- 结尾
- 参考文章
简介
图像锐化(image sharpening)是补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰，分为空间域处理和频域处理两类。图像锐化是为了突出图像上地物的边缘、轮廓，或某些线性目标要素的特征。这种滤波方法提高了地物边缘与周围像元之间的反差，因此也被称为边缘增强。
各种算子是图像锐化的核心，GDAL中没有提供相应的方法，所以我参考了网上C++的图像处理算法和GDAL进行了融合：
拉普拉斯（Laplace）算子
拉普拉斯算子是一个是n维欧几里德空间中的一个二阶微分算子，它的定义如下：
在x方向上
在y方向上
合起来就是
拉普拉斯强调的是图像中灰度的突变，并不强调图像的灰度缓变（灰度缓变由一阶微分，也就是梯度，图像应用是sobel算子，具体下面介绍）
根据上边的表达式，可以确定拉普拉斯算子的模板：
部分代码：
可根据我的另一篇博客（图像平滑），通过改动算法核心写出锐化函数。
int laplace4[3][3] = { 0, -1, 0, -1, 5, -1, 0, -1, 0 };//laplace锐化模板,4邻域
int laplace8[3][3] = { -1, -1, -1, -1, 9, -1, -1, -1, -1 };//laplace锐化模板,8邻域
int m,n;
//平滑算子也是通过模板进行处理的，所以可以把平滑处理和锐化处理通过一个函数实现
int biBitCount = 8;
//红色波段处理
//分配新像素组的空间
int lineByte = (nImgSizeX * biBitCount / 8 + 3) / 4 * 4;
rbandsmooth = new unsigned char[lineByte * nImgSizeY];
//进行模板操作
for (int i = 0; i < nImgSizeY; i++)
{
for (int j = 0; j < nImgSizeX; j++)
{
if (i == 0 || j == 0 || i == nImgSizeY - 1 || j == nImgSizeX - 1)
rbandsmooth[i*nImgSizeX + j] = rband[i*nImgSizeX + j];
else
{
int sum = 0;
for (m = i - 1; m < i + 2; m++)
for (n = j - 1; n < j + 2; n++)
{
sum += (*(rband + m*nImgSizeX + n ))*laplace8[n - j + 1][m - i + 1] / 1;
}//8位BMP中一个像素值，对应调色板中索引号为该像素值的项所存放的RGB色彩
//所以像素值范围为0~255,像素值小于0就取0，大于255就取255
sum = (sum > 0) ? sum : 0;
sum = (sum > 255) ? 255 : sum;
rbandsmooth[i*nImgSizeX + j] = sum;
}
}
}
//绿色波段处理
//分配新像素素组的空间
gbandsmooth = new unsigned char[lineByte * nImgSizeY];
//进行模板操作
for (int i = 0; i < nImgSizeY; i++)
{
for (int j = 0; j < nImgSizeX; j++)
{
if (i == 0 || j == 0 || i == nImgSizeY - 1 || j == nImgSizeX - 1)
gbandsmooth[i*nImgSizeX + j] = gband[i*nImgSizeX + j];
else
{
int sum = 0;
for (m = i - 1; m < i + 2; m++)
for (n = j - 1; n < j + 2; n++)
{
sum += (*(gband + m*nImgSizeX + n ))*laplace8[n - j + 1][m - i + 1] / 1;
}//8位BMP中一个像素值，对应调色板中索引号为该像素值的项所存放的RGB色彩
//所以像素值范围为0~255,像素值小于0就取0，大于255就取255
sum = (sum > 0) ? sum : 0;
sum = (sum > 255) ? 255 : sum;
gbandsmooth[i*nImgSizeX + j] = sum;
}
}
}
//蓝色波段处理
//分配新像素素组的空间
bbandsmooth = new unsigned char[lineByte * nImgSizeY];
//进行模板操作
for (int i = 0; i < nImgSizeY; i++)
{
for (int j = 0; j < nImgSizeX; j++)
{
if (i == 0 || j == 0 || i == nImgSizeY - 1 || j == nImgSizeX - 1)
bbandsmooth[i*nImgSizeX + j] = bband[i*nImgSizeX + j];
else
{
int sum = 0;
for (m = i - 1; m < i + 2; m++)
for (n = j - 1; n < j + 2; n++)
{
sum += (*(bband + m*nImgSizeX + n ))*laplace8[n - j + 1][m - i + 1] / 1;
}//8位BMP中一个像素值，对应调色板中索引号为该像素值的项所存放的RGB色彩
//所以像素值范围为0~255,像素值小于0就取0，大于255就取255
sum = (sum > 0) ? sum : 0;
sum = (sum > 255) ? 255 : sum;
bbandsmooth[i*nImgSizeX + j] = sum;
}
}
}
索贝尔（Sobel）算子
Sobel算子是像素图像边缘检测中最重要的算子之一，在机器学习、数字媒体、计算机视觉等信息科技领域起着举足轻重的作用。在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子，将会产生该点对应的梯度矢量或是其法矢量。
索贝尔（Sobel）算子定义：
该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下:
图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。
可用以下公式计算梯度方向。
在以上例子中，如果以上的角度Θ等于零，即代表图像该处拥有纵向边缘，左方较右方暗。
部分代码：
与拉普拉斯（Laplace）算子相比较，思路大同小异，主要是Sobel算法有两个算子，需要分别进行计算。
int sobelx[3][3] = { 1,2,1,0,0,0,-1,-2,-1};//sobelx
int sobely[3][3] = { 1,0,-1,2,0,-2,1,0,-1};//sobely
int m,n;
//平滑算子也是通过模板进行处理的，所以可以把平滑处理和锐化处理通过一个函数实现
unsigned char *imagedatasobelx;
unsigned char *imagedatasobely;
//分配新像素组的空间
int lineByte = (nImgSizeX * biBitCount / 8 + 3) / 4 * 4;
rbandsmooth = new unsigned char[lineByte * nImgSizeY];
imagedatasobelx = new unsigned char[lineByte * nImgSizeY];
imagedatasobely = new unsigned char[lineByte * nImgSizeY];
//进行模板操作
for (int i = 0; i < nImgSizeY; i++)
{
for (int j = 0; j < nImgSizeX; j++)
{
if (i == 0 || j == 0 || i == nImgSizeY - 1 || j == nImgSizeX - 1)
{
*(imagedatasobelx + i*nImgSizeX + j) = rband[i*nImgSizeX + j];
*(imagedatasobely + i*nImgSizeX + j) = rband[i*nImgSizeX + j];
}
else
{
int sumx = 0;
int sumy = 0;
for (int m = i - 1; m < i + 2; m++)
for (int n = j - 1; n < j + 2; n++)
{
sumx += (*(rband + m*nImgSizeX + n))*sobelx[n - j + 1][m - i + 1] / 1;
sumy += (*(rband + m*nImgSizeX + n))*sobely[n - j + 1][m - i + 1] / 1;
}//8位BMP中一个像素值，对应调色板中索引号为该像素值的项所存放的RGB色彩
//所以像素值范围为0~255,像素值小于0就取0，大于255就取255
sumx = (sumx > 0) ? sumx : 0;
sumx = (sumx >255) ? 255 : sumx;
imagedatasobelx[i*nImgSizeX + j] = sumx;//sobelx
sumy = (sumy > 0) ? sumy : 0;
sumy = (sumy >255) ? 255 : sumy;
imagedatasobely[i*nImgSizeX + j] = sumy;//sobely
rbandsmooth[i*nImgSizeX + j] =imagedatasobelx[i*nImgSizeX + j] + imagedatasobely[i*nImgSizeX + j];
}
}
}
//gband
gbandsmooth = new unsigned char[lineByte * nImgSizeY];
imagedatasobelx = new unsigned char[lineByte * nImgSizeY];
imagedatasobely = new unsigned char[lineByte * nImgSizeY];
//进行模板操作
for (int i = 0; i < nImgSizeY; i++)
{
for (int j = 0; j < nImgSizeX; j++)
{
if (i == 0 || j == 0 || i == nImgSizeY - 1 || j == nImgSizeX - 1)
{
*(imagedatasobelx + i*nImgSizeX + j) = gband[i*nImgSizeX + j];
*(imagedatasobely + i*nImgSizeX + j) = gband[i*nImgSizeX + j];
}
else
{
int sumx = 0;
int sumy = 0;
for (int m = i - 1; m < i + 2; m++)
for (int n = j - 1; n < j + 2; n++)
{
sumx += (*(gband + m*nImgSizeX + n))*sobelx[n - j + 1][m - i + 1] / 1;
sumy += (*(gband + m*nImgSizeX + n))*sobely[n - j + 1][m - i + 1] / 1;
}//8位BMP中一个像素值，对应调色板中索引号为该像素值的项所存放的RGB色彩
//所以像素值范围为0~255,像素值小于0就取0，大于255就取255
sumx = (sumx > 0) ? sumx : 0;
sumx = (sumx >255) ? 255 : sumx;
imagedatasobelx[i*nImgSizeX + j] = sumx;//sobelx
sumy = (sumy > 0) ? sumy : 0;
sumy = (sumy >255) ? 255 : sumy;
imagedatasobely[i*nImgSizeX + j] = sumy;//sobely
gbandsmooth[i*nImgSizeX + j] =imagedatasobelx[i*nImgSizeX + j] + imagedatasobely[i*nImgSizeX + j];
}
}
}
//bband
bbandsmooth = new unsigned char[lineByte * nImgSizeY];
imagedatasobelx = new unsigned char[lineByte * nImgSizeY];
imagedatasobely = new unsigned char[lineByte * nImgSizeY];
//进行模板操作
for (int i = 0; i < nImgSizeY; i++)
{
for (int j = 0; j < nImgSizeX; j++)
{
if (i == 0 || j == 0 || i == nImgSizeY - 1 || j == nImgSizeX - 1)
{
*(imagedatasobelx + i*nImgSizeX + j) = bband[i*nImgSizeX + j];
*(imagedatasobely + i*nImgSizeX + j) = bband[i*nImgSizeX + j];
}
else
{
int sumx = 0;
int sumy = 0;
for (int m = i - 1; m < i + 2; m++)
for (int n = j - 1; n < j + 2; n++)
{
sumx += (*(bband + m*nImgSizeX + n))*sobelx[n - j + 1][m - i + 1] / 1;
sumy += (*(bband + m*nImgSizeX + n))*sobely[n - j + 1][m - i + 1] / 1;
}//8位BMP中一个像素值，对应调色板中索引号为该像素值的项所存放的RGB色彩
//所以像素值范围为0~255,像素值小于0就取0，大于255就取255
sumx = (sumx > 0) ? sumx : 0;
sumx = (sumx >255) ? 255 : sumx;
imagedatasobelx[i*nImgSizeX + j] = sumx;//sobelx
sumy = (sumy > 0) ? sumy : 0;
sumy = (sumy >255) ? 255 : sumy;
imagedatasobely[i*nImgSizeX + j] = sumy;//sobely
bbandsmooth[i*nImgSizeX + j] =imagedatasobelx[i*nImgSizeX + j] + imagedatasobely[i*nImgSizeX + j];
}
}
}
处理效果
原图
（Laplace）
这里有个问题，在拉普拉斯算子中间是，4和8，但是用原版算子的处理结果是这样的：
看起来是做了边缘提取；
后来经过修改，将4邻域和8邻域改成了5和9，就出了这个结果：
看起来比原来清楚许多，实际应用效果会更明显。
（Sobel）
索贝尔算子还是有问题，可能是因为从灰度图像的锐化移植为真彩色图像时的问题，还需要进行修改，结果也像是做了边缘提取：
结尾
因为之前没有太涉及到算法问题，而且GDAL的锐化方面还没有太多的过来人，所以经验不多，还需要人们探索，如有不足请多指教。
参考文章
https://www.cnblogs.com/fydeblog/p/6748411.html
https://blog.csdn.net/wanty_chen/article/details/80336986
https://blog.csdn.net/White_Idiot/article/details/51794364