如何在 OpenCV 中锐化图像？

Question

如何使用OpenCV 锐化图像？

有很多平滑或模糊的方法，但我看不到锐化的方法。

Answer 1

the Wikipedia article on unsharp masking 中列出了一个通用程序：

您使用高斯平滑滤波器并从原始图像中减去平滑版本（以加权方式，使恒定区域的值保持不变）。

将frame 的锐化版本转换为image：（cv::Mat）

cv::GaussianBlur(frame, image, cv::Size(0, 0), 3);
cv::addWeighted(frame, 1.5, image, -0.5, 0, image);

这里的参数需要自己调整。

还有拉普拉斯锐化，当你谷歌时你应该找到一些东西。

Answer 2

您可以尝试一个简单的 kernel 和 filter2D 函数，例如在 Python 中：

kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
im = cv2.filter2D(im, -1, kernel)

维基百科对内核有很好的概述，这里有更多示例 - https://en.wikipedia.org/wiki/Kernel_(image_processing)

在图像处理中，核、卷积矩阵或掩码是一个小矩阵。它用于模糊、锐化、浮雕、边缘检测等。这是通过在内核和图像之间进行卷积来实现的。

Answer 3

您可以使用unsharp mask 锐化图像。您可以找到更多关于非锐化遮罩here 的信息。这是一个使用 OpenCV 的 Python 实现：

import cv2 as cv
import numpy as np

def unsharp_mask(image, kernel_size=(5, 5), sigma=1.0, amount=1.0, threshold=0):
    """Return a sharpened version of the image, using an unsharp mask."""
    blurred = cv.GaussianBlur(image, kernel_size, sigma)
    sharpened = float(amount + 1) * image - float(amount) * blurred
    sharpened = np.maximum(sharpened, np.zeros(sharpened.shape))
    sharpened = np.minimum(sharpened, 255 * np.ones(sharpened.shape))
    sharpened = sharpened.round().astype(np.uint8)
    if threshold > 0:
        low_contrast_mask = np.absolute(image - blurred) < threshold
        np.copyto(sharpened, image, where=low_contrast_mask)
    return sharpened

def example():
    image = cv.imread('my-image.jpg')
    sharpened_image = unsharp_mask(image)
    cv.imwrite('my-sharpened-image.jpg', sharpened_image)

Answer 4

您可以在OpenCV Documentation 找到有关使用“反锐化蒙版”算法锐化图像的示例代码。

改变sigma,threshold,amount的值会产生不同的结果。

// sharpen image using "unsharp mask" algorithm
Mat blurred; double sigma = 1, threshold = 5, amount = 1;
GaussianBlur(img, blurred, Size(), sigma, sigma);
Mat lowContrastMask = abs(img - blurred) < threshold;
Mat sharpened = img*(1+amount) + blurred*(-amount);
img.copyTo(sharpened, lowContrastMask);

Answer 5

任何图像都是各种频率信号的集合。这 高频控制边缘，低频控制 图像内容。当有一个急剧的过渡时形成边缘 从一个像素值到另一个像素值，例如 0 和 255 in 相邻单元格。显然有一个急剧的变化，因此边缘 和高频。为了锐化图像，这些过渡可以是 进一步增强。

一种方法是将自制的过滤器内核与图像进行卷积。

    import cv2
    import numpy as np

    image = cv2.imread('images/input.jpg')
    kernel = np.array([[-1,-1,-1], 
                       [-1, 9,-1],
                       [-1,-1,-1]])
    sharpened = cv2.filter2D(image, -1, kernel) # applying the sharpening kernel to the input image & displaying it.
    cv2.imshow('Image Sharpening', sharpened)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

还有另一种方法可以从图像的明亮版本中减去模糊版本的图像。这有助于锐化图像。但应该谨慎行事，因为我们只是在增加像素值。想象一个灰度像素值 190，如果乘以权重 2，则为 380，但由于最大允许像素范围，在 255 处被修剪。这是信息丢失，导致图像褪色。

    addWeighted(frame, 1.5, image, -0.5, 0, image);

Answer 6

为了清楚本主题，确实应该提出几点：

1. 锐化图像是一个不适定问题。换句话说，模糊是一种有损操作，并且通常不可能从它返回。

2. 要锐化单个图像，您需要以某种方式对您想要什么样的图像以及它如何变得模糊添加约束（假设）。这是自然图像统计的领域。进行锐化的方法在其算法中显式或隐式地保存这些统计数据（深度学习是最隐含的编码方法）。对DOG or Laplacian pyramid decomposition 的某些级别进行加权的常用方法是对 Brian Burns 答案的概括，它假设高斯模糊破坏了图像，并且加权的完成方式与对图像中内容的假设有关。图像开始。

3. 其他信息来源可以使问题锐化变得恰当。常见的此类信息源是移动对象的视频或多视图设置。在该设置中锐化通常称为super-resolution（这是一个非常糟糕的名字，但它一直停留在学术界）。 super-resolution methods in OpenCV 已经有很长一段时间了......虽然它们通常不能很好地解决实际问题，但最后我检查了它们。我希望深度学习在这里也能产生一些美妙的结果。也许有人会在评论中发表评论。

Answer 7

要锐化图像，我们可以使用过滤器（与之前的许多答案一样）

kernel = np.array([[-1, -1, -1],[-1, 8, -1],[-1, -1, 0]], np.float32) 

kernel /= denominator * kernel

分母为1时最大，随着增加而减少（2.3..）

最常用的是分母为3的时候。

下面是实现。

kernel = np.array([[-1, -1, -1],[-1, 8, -1],[-1, -1, 0]], np.float32) 

kernel = 1/3 * kernel

dst = cv2.filter2D(image, -1, kernel)

Answer 8

你也可以试试这个过滤器

sharpen_filter = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]])
sharped_img = cv2.filter2D(image, -1, sharpen_filter)

Answer 9

试试这个：

cv::bilateralFilter(img, 9, 75, 75);

您可能会发现更多信息here。