如何在OpenCV中锐化图像？

如何使用OpenCV锐化图像？

有许多平滑或模糊的方法，但我看不到任何锐化的方法。

维基百科有关不清晰遮罩的文章提出了一种通用过程：

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恒定）。

要获得锐化形式frame为image：（两者cv::Mat）

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

您需要自己调整一些参数。

还有Laplacian锐化功能，您在Google上应该会发现一些东西。

您可以尝试使用简单的内核和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)

Wikipedia很好地概述了内核，并在此处提供了更多示例-https: //en.wikipedia.org/wiki/Kernel_(image_processing）

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

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

改变的值sigma，threshold，amount会得出不同的结果。

// 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);

您可以使用不清晰的蒙版来锐化图像。您可以在此处找到有关锐化遮罩的更多信息。这是使用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)

任何图像都是各种频率信号的集合。较高的频率控制边缘，较低的频率控制图像内容。当从一个像素值到另一个像素值（如相邻单元中的0和255）急剧过渡时，就会形成边缘。显然有一个急剧的变化，因此边缘和高频。为了锐化图像，可以进一步增强这些过渡。

一种方法是使自制的滤镜内核与图像卷积。

    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()

还有另一种从明亮版本的图像中减去模糊版本的方法。这有助于锐化图像。但应谨慎行事，因为我们只是在增加像素值。想象一下灰度像素值190，如果将其乘以2的权重，则得到380，但是由于最大允许像素范围而被修剪为255。这是信息丢失并导致图像褪色。

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

为了使本主题更加清晰，实际上应该提出几点：

1. 锐化图像是一个不适的问题。换句话说，模糊是有损的操作，通常不可能从中返回。

2. 要锐化单个图像，您需要以某种方式添加对想要的图像种类以及图像变得模糊的限制（假设）。这是自然图像统计的领域。进行锐化的方法将这些统计信息显式或隐式地保存在其算法中（深度学习是最隐式编码的算法）。布莱恩·伯恩斯（Brian Burns）回答的一般化方法是对DOG或拉普拉斯金字塔分解的某些级别进行加权的常见方法是，假设高斯模糊会破坏图像，并且加权的方式与关于首先是图片

3. 其他信息来源可能使问题更加突出。此类信息的常见来源是运动对象的视频或多视图设置。在这种情况下锐化通常被称为超分辨率（这是一个很不好的名字，但它一直被学术界所困扰）。很长一段时间以来，OpenCV中就有超分辨率方法了。。。尽管它们通常不能很好地解决实际问题，但最后我还是检查了它们。我希望深度学习在这里也能产生出色的结果。也许有人会发表评论，说明那里值得做什么。

要锐化图像，我们可以使用滤镜（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，并且随着分母的增加而减小（2.3 ..）

最常用的是分母为3时。

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)

试试这个：

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

您可以在此处找到更多信息。