灰度图像--图像增强 锐化基础，灰度锐化

学习DIP第33天

转载请标明本文出处：http://blog.csdn.net/tonyshengtan，欢迎大家转载，发现博客被某些论坛转载后，图像无法正常显示，无法正常表达本人观点，对此表示很不满意。有些网站转载了我的博文，很开心的是自己写的东西被更多人看到了，但不开心的是这段话被去掉了，也没标明转载来源，虽然这并没有版权保护，但感觉还是不太好，出于尊重文章作者的劳动，转载请标明出处！！！！

文章代码已托管，欢迎共同开发：https://github.com/Tony-Tan/DIPpro

开篇废话

        这篇作为基础篇，所以废话不多，但感觉很多人对锐化有误解，尤其是和边缘提取，其实这两个概念完全是两回事，当然有相关的地方，下面详细说说自己的理解。

锐化的理解

       首先说说锐化，锐化是图像增强的一部分，前面说过了，增强的目的是使观察者看起来更容易识别某些模式，要观察的模式从频率域来分就有低频模式和高频模式，低频模式，也就是之前一直在讲的相对变化缓慢的部分，或者根本没有灰度变化的大片区域，高频部分，就是接下来讲的，图像的细节，细节的定义不知道是什么，但边界，轮廓，一些变化强烈的部分算是细节，当然噪声也被归类到了细节，但细节的具体定义我还不知道，是否有相关算法能够对细节进行定义，还不知道。锐化的目的就是在图像中强调这些细节，而不是提取这些细节。也就是说对原图中的细节进行一定的提升，使得图像对于观察者来说更容易识别或者看起来更舒服。        根据上面的解释，我们就能得到图像锐化的一般步骤：
       因为要突出细节，所以第一步就是找到细节，至于如何找到细节，冈萨雷斯书中给出了三种方法，一阶微分，二阶微分，非锐化掩蔽（unsharpen mask）。        突出细节的方法：将提取的细节，或细节乘以预定的系数后与原图像相加（或相减）。这样就得到了锐化后的图像。

数学基础

一阶微分

        因为图像是离散信号，所以其一阶微分并不像连续函数按照极限方式的定义，而且对数字函数的一阶微分定义有不同理解，但所有的定义都满足一下三点：        对于函数f(x)的一阶微分或导数，将展开为关于x的泰勒级数，令，只保留泰勒级数的线性项结果为数字差分：
使用偏导数是为了与图像函数对应，因为图像函数是二维函数，显然当函数只有一个变量的时候： 于是我们得到一阶微分的基本定义是差值。

二阶微分

      对于二阶微分，我们对上面式子关于x再次求导，得到二阶导数表达式：
       上面第二行用到了一阶微分的定义，所以得到了二阶微分的表达式。        与一阶微分类似，二阶微分也必须保证下面几点        看一个一维的例子：
       上面是一幅图的一行数据，数据中包含了斜坡，孤立点，线条，和台阶，可以看到下面对应的原始数据，一阶导数，二阶导数，一阶导数是原始数据的差，二阶导数是一阶导数的差。当然减数和被减数的顺序可以从左到右也可以从右到左。       可以对照上面的实际数据，证明必须要满足的三点都成立。所以我们可以用此来定义一阶和二阶微分。       上面数据中，我们可以看到在斜坡处，二阶微分会出现一个零交叉，这对于边界定位来说是非常有用的，因为在图像中边缘一般情况下是以斜坡方式存在，所以，一阶微分给出的边缘会相对较粗，二阶微分给出较准确的位置，也正是因为这一点，二阶微分比一阶微分在锐化细节方面表现更好。

总结

       因为以上为纯理论知识，所以今天做一个简单的总结，相关的实验和图像处理结果会在后面的相关算法介绍中给出。