0. 前言

非锐化滤波器是一个简单的锐化算子，通过从原始图像中减去图像的平滑(非锐化)版本来增强边缘(以及图像中的其他高频分量)，锐化的目的是突出图像中的细节或增强模糊的细节。在本节中，我们将学习如何利用 SimpleITK 和 OpenCV 库函数使用非锐化掩码锐化图像。可以使用以下公式表示非锐化掩码的基本概念：

$$\begin{gathered} g(x,y)=f(x,y)-f_{smooth}(x,y) \\ {f}_{sharp}(x,y)=f(x,y)+k\ast g(x,y) \end{gathered}$$

1. 使用 scikit-image filters 模块执行非锐化掩码

scikit-image 库的 filters 模块提供了 unsharp_mask() 函数用于执行非锐化掩码，该函数接受参数半径 radius 和数量 amount，边缘边界变暗和变亮的程度由参数 amount 控制，参数 radius 是指平滑核的半径。

(1) 首先导入所需的模块和函数：

import numpy as np
import matplotlib.pylab as plt
from skimage.io import imread
from skimage.filters import unsharp_mask

(2) 使用 unsharp_mask() 函数，并使用不同的参数值调用该函数，以查看当滤波器应用于输入图像时，对输出锐化图像的影响：

im = imread('1.png')
im1 = unsharp_mask(im, radius=1, amount=1)
im2 = unsharp_mask(im, radius=5, amount=2)
im3 = unsharp_mask(im, radius=20, amount=3)

(3) 下图显示了执行以上代码带到输出图像，可以看出，参数半径 radius 和数量 amount 值增加得越大，图像变得越清晰：

fig, axes = plt.subplots(nrows=2, ncols=2, sharex=True, sharey=True, figsize=(20, 12))
axes = axes.ravel()
axes[0].set_title('Original image', size=10), axes[0].imshow(im)
axes[1].set_title('Enhanced image, radius=1, amount=1.0', size=10), axes[1].imshow(im1)
axes[2].set_title('Enhanced image, radius=5, amount=2.0', size=10), axes[2].imshow(im2)
axes[3].set_title('Enhanced image, radius=20, amount=3.0', size=10), axes[3].imshow(im3)
for ax in axes:
    ax.axis('off')
fig.tight_layout()
plt.show()

2. 使用 PIL ImageFilter 模块执行非锐化掩码

PIL.ImageFilter 模块的 unsharpmask() 函数可用于在图像上应用非锐化掩码。在函数中，要增强的边缘的大小受到函数半径 radius 参数的影响，较小的半径可增强小尺度(细)细节，较大的半径值可能会在边缘产生光晕(物体周围可检测到的微弱光线边缘)；百分比 percent 参数表示非锐化强度。

(1) 导入所需的模块，并读取输入图像：

import numpy as np
import matplotlib.pylab as plt
from PIL import Image, ImageFilter
def plot_image(image, title=None, sz=10):
    plt.imshow(image)
    plt.title(title, size=sz)
    plt.axis('off')

im = Image.open('1.png')

(2) 使用函数 unsharpmask() 锐化输入图像，并观察使用不同参数值对图像锐化的影响：

plt.figure(figsize=(15,16))
plt.subplot(221), plot_image(im, 'original')
im1 = im.filter(ImageFilter.UnsharpMask(radius=2, percent=150))
plt.subplot(222), plot_image(im1, 'unsharp masking, radius=2, percent=150')
im1 = im.filter(ImageFilter.UnsharpMask(radius=5, percent=200))
plt.subplot(223), plot_image(im1, 'unsharp masking, radius=5, percent=200')
im1 = im.filter(ImageFilter.UnsharpMask(radius=10, percent=250))
plt.subplot(224), plot_image(im1, 'unsharp masking, radius=10, percent=250')
plt.tight_layout()
plt.show()

执行以上代码，可以得到如下锐化输出图像：

3. 使用 SimpleITK 执行拉普拉斯锐化

SimpleITK 库的 UnsharpMaskimageFilter() 也可以用来锐化图像，该函数是一个边缘增强滤波器。该滤波器从图像中减去图像的平滑版本，获得边缘增强效果。可以通过参数来控制锐化效果，主要包括数量 amount、半径 sigma、阈值 threshold 以及是否将结果值限制在输出类型范围内。

(1) 导入所需的库和模块，并读取输入图像，将读取的图像的类型应指定为浮点型，因为非锐化掩码滤波器不接受 UINT8 类型的图像。

import SimpleITK as sitk
import numpy as np
import matplotlib.pylab as plt

def plot_image(image, title=None, sz=10):
    plt.imshow(image)
    plt.title(title, size=sz)
    plt.axis('off')
image = sitk.ReadImage('1.png', sitk.sitkFloat32)

(2) 通过调用构造函数来创建一个 UnsharpMaskImageFilter 类的对象，设置数量 amount 和 sigma (平滑)参数，然后，在输入图像上执行非锐化滤波，获得输出图像如下：

filt = sitk.UnsharpMaskImageFilter() 
filt.SetAmount(1.5) # typically set between 1 and 2
filt.SetSigmas(0.15)
sharpened = filt.Execute(image)

(3) 使用 GetArrayFromImage() 函数将输入和输出图像转换为 numpy 数组：

np_image = sitk.GetArrayFromImage(image)
np_image = np_image / np_image.max()
np_sharpened = sitk.GetArrayFromImage(sharpened)
np_sharpened = np_sharpened / np_sharpened.max()

(4) 绘制输入和输出图像：

plt.figure(figsize=(20,10))
plt.gray()
plt.subplots_adjust(0,0,1,1,0.05,0.05)
plt.subplot(121), plot_image(np_image, 'Original Image')
plt.subplot(122), plot_image(np_sharpened, 'Sharpened Image (with UnsharpMask)')
plt.show()

4. 使用 OpenCV 实现非锐化掩码

接下来，我们直接利用在本节一开始给出的定义来实现非锐化掩码。我们在本节中使用函数 Gaussianblur() 获得平滑的输入图像和函数 AddWeighted() 混合两张图像。

(1) 读取输入图像，并使用 11 x 11 高斯核平滑输入图像，在 cv2.GaussianBlur() 函数中设定参数 $\sigma x=\sigma y=10$：

import SimpleITK as sitk
import numpy as np
import matplotlib.pylab as plt
import cv2

def plot_image(image, title=None, sz=10):
    plt.imshow(image)
    plt.title(title, size=sz)
    plt.axis('off')

im = cv2.imread("1.png")
im_smoothed = cv2.GaussianBlur(im, (11,11), 10, 10)

(2) 根据非锐化掩码的定义可知：

sharpened = original + k.(original − smoothed) = (1 + k).original-ksmoothed

其中，k 为常数，该方程意味着锐化等效于将原始输入和平滑输入图像分别具有权重 1+k 和 -k 进行混合。

(3) 使用 cv2.addWeighted() 函数来获得输出图像，其中 k=3.0：

im1 = cv2.addWeighted(im, 1.0 + 3.0, im_smoothed, -3.0, 0) # im1 = im + 3.0*(im - im_smoothed)

(4) 绘制输入和输出图像：

plt.figure(figsize=(20,25))
plt.subplots_adjust(0,0,1,0.95,0.05,0.05)
plt.subplot(121), plot_image(cv2.cvtColor(im, cv2.COLOR_BGR2RGB), 'Original Image')
plt.subplot(122), plot_image(cv2.cvtColor(im1, cv2.COLOR_BGR2RGB), 'Sharpened Image')
plt.show()

小结

图像平滑与图像锐化是两种效果相反的图像处理技术，图像平滑往往使图像中的边界、轮廓变得模糊，而图像锐化就是为了减少模糊图像中不利于图像分析的效果，使图像的边缘变的清晰。本节中，我们学习了使用多种不同图像处理库(包括 scikit-image、PIL 以及 OpenCV 等)来解决图像锐化问题。

系列链接

Python图像处理【1】图像与视频处理基础
Python图像处理【2】探索Python图像处理库
Python图像处理【3】Python图像处理库应用
Python图像处理【4】图像线性变换
Python图像处理【5】图像扭曲/逆扭曲
Python图像处理【6】通过哈希查找重复和类似的图像
Python图像处理【7】采样、卷积与离散傅里叶变换
Python图像处理【8】使用低通滤波器模糊图像
Python图像处理【9】使用高通滤波器执行边缘检测
Python图像处理【10】基于离散余弦变换的图像压缩
Python图像处理【11】利用反卷积执行图像去模糊
Python图像处理【12】基于小波变换执行图像去噪
Python图像处理【13】使用PIL执行图像降噪
Python图像处理【14】基于非线性滤波器的图像去噪