首页 > 专利信息

数字图像处理——非锐化屏蔽与高提升滤波【像素级别处理】（python）

数字图像处理——⾮锐化屏蔽与⾼提升滤波【像素级别处理】（python ）数字图像处理——⾮锐化屏蔽与⾼提升滤波【像素级别处理】（python ）⽂章⽬录

⾮锐化屏蔽

介绍

其中⾮锐化屏蔽是指在原图像中减去⼀个经过锐化的图层

其步骤为：

1. 模糊原图像

2. 原图像减去模糊图像(差值为模版)

3. 把模版加到原图像上

令为模糊图像

⾸先我们可以得到模版

然后在原图像加上模版的⼀个权重k(k>0)：

当k=1时，所得的为⾮锐化屏蔽

⾼提升滤波

介绍

其中⾮锐化屏蔽是指在原图像中加上⼀个经过锐化的图层

其步骤为：

1. 模糊原图像

2. 原图像减去模糊图像(差值为模版)

3. 把模版加到原图像上

令为模糊图像

⾸先我们可以得到模版

然后在原图像加上模版的⼀个权重k(k>0)：

当k>1时，为⾼提升滤波

代码实现

import cv2

import numpy as np

import matplotlib .pyplot as plt

img = cv2.imread ('Fig0340.tif') # 测试图⽚

H = img .shape [0]

W = img .shape [1]

# 产⽣5*5的Gaussian smoothing filter

(x ,y )f g (x ,y )=mask f (x ,y )−(x ,y )

f g (x ,y )=f (x ,y )+k ∗(x ,y )

f (x ,y )f

g (x ,y )=mask f (x ,y )−(x ,y )

f g (x ,y )=f (x ,y )+k ∗(x ,y )

# Σ=3，h(x,y)=e^((x^2+y^2)/(2*Σ*Σ))

h = np.zeros((5,5))# ⾼斯模板

for i in range(5):

for j in range(5):

x = i -2

y = j -2

h[i, j]= np.power(np.e,-(x * x + y * y)/18)

print(h)

print(sum(h))

print(sum(sum(h)))

h /= np.sum(h)# 归⼀化处理

print('----')

print(h)

print(sum(h))

print(sum(sum(h)))

spanImg = np.zeros((H +4, W +4,3), np.uint8)# 5*5扩充后的图像# print('----------')

# print(spanImg)

for i in range(H):

for j in range(W):

spanImg[i +2, j +2]= img[i, j]

blurImg = np.zeros((H, W,3), np.uint8)# ⾼斯模糊化之后的图像for i in range(H):

for j in range(W):

pix =0

for x in range(5):

for y in range(5):

pix += h[x, y]* spanImg[i + x, j + y,0]

blurImg[i, j,0]=round(pix)

blurImg[i, j,1]= blurImg[i, j,0]

blurImg[i, j,2]= blurImg[i, j,0]

# Unsharp mask

UmPix = np.zeros((H, W), np.int32)

max=0

min=255

for i in range(H):

for j in range(W):

UmPix[i, j]=int(img[i, j,0])- blurImg[i, j,0]

if UmPix[i, j]>max:

max= UmPix[i, j]

if UmPix[i, j]<min:

min= UmPix[i, j]

t =0

if max>min:

t =255/(max-min)

# 归⼀化的掩蔽图像

UmImg = np.zeros((H, W,3), np.uint8)

for i in range(H):

for j in range(W):

UmImg[i, j,0]=round((UmPix[i, j]-min)* t)

UmImg[i, j,1]= UmImg[i, j,0]

UmImg[i, j,2]= UmImg[i, j,0]

# 压缩⾄0-255之间的加⼊钝化掩蔽的图像

simgk = np.zeros((H, W,3), np.uint8)

spixk = np.zeros((H, W), np.int32)

# 加⼊钝化掩蔽之后的图像

imgk = np.zeros((H, W,3), np.uint8)

pixk = np.zeros((H, W), np.int32)

# ⾼提升滤波后图像

imgk2 = np.zeros((H, W,3), np.uint8)

pixk2 = np.zeros((H, W), np.int32)

# 这⾥⽤到了截断来处理，并没有⽤scale来处理

for i in range(H):

for j in range(W):

pixk[i, j]= img[i, j,0]+ UmPix[i, j]

spixk[i, j]= pixk[i, j]

if pixk[i, j]>255:

pixk[i, j]=255

if pixk[i, j]<0:

pixk[i, j]=0

pixk2[i, j]=round(img[i, j,0]+4.5* UmPix[i, j]) if pixk2[i, j]>255:

pixk2[i, j]=255

if pixk2[i, j]<0:

pixk2[i, j]=0

imgk[i, j,0]= pixk[i, j]

imgk[i, j,1]= imgk[i, j,0]

imgk[i, j,2]= imgk[i, j,0]

imgk2[i, j,0]= pixk2[i, j]

imgk2[i, j,1]= imgk2[i, j,0]

imgk2[i, j,2]= imgk2[i, j,0]

# 下⾯处理压缩0-255之间的图⽚

max=0

min=255

for i in range(H):

for j in range(W):

if spixk[i, j]>max:

max= spixk[i, j]

if spixk[i, j]<min:

min= spixk[i, j]

sk =0

if max>min:

sk =255/(max-min)

for i in range(H):

for j in range(W):

simgk[i, j,0]=round((spixk[i, j]-min)* sk)

simgk[i, j,1]= simgk[i, j,0]

simgk[i, j,2]= simgk[i, j,0]

# 原图

plt.subplot(3,2,1)

plt.axis('off')

plt.title('Original Image')

plt.imshow(img)

# ⾼斯平滑滤波模糊化的图像

plt.subplot(3,2,2)

plt.axis('off')

plt.title('Gaussian Smooth Filter Blurring')

plt.imshow(blurImg)

# 像素拉伸之后的差值图像

plt.subplot(3,2,3)

plt.axis('off')

plt.title('Scaled Unsharped mask(original - blur)') plt.imshow(UmImg)

# 锐化并压缩的图像

plt.subplot(3,2,4)

plt.axis('off')

plt.title('Sharpened Image(scaled to 0-255)') plt.imshow(simgk)

# 加上钝化mask之后的锐化图像

plt.subplot(3,2,5)

plt.axis('off')

plt.title('Sharpened Image(clipped to 0-255)') plt.imshow(imgk)

# 设置系数为4.5之后的锐化图像

plt.subplot(3,2,6)

plt.axis('off')

plt.title('Highboostted Image(k=4.5,clipped)') plt.imshow(imgk2)

plt.show()

本文发布于:2024-09-20 14:19:04，感谢您对本站的认可！

本文链接：https://www.17tex.com/tex/2/89282.html

上一篇：MATLAB简答题

下一篇：数字图像处理第一次试验：图像的基本操作和基本统计指标计算

标签：图像锐化模版滤波提升

留言与评论（共有 0 条评论）