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）

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$\overline{f}(x,y)$为模糊图像
首先我们可以得到模版
$g_{mask}(x,y)=f(x,y)-\overline{f}(x,y)$
然后在原图像加上模版的一个权重k(k>0)：
$g(x,y)=f(x,y)+k\ast \overline{f}(x,y)$
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$\overline{f}(x,y)$为模糊图像
首先我们可以得到模版
$g_{mask}(x,y)=f(x,y)-\overline{f}(x,y)$
然后在原图像加上模版的一个权重k(k>0)：
$g(x,y)=f(x,y)+k\ast \overline{f}(x,y)$
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
# 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()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163