图像锐化算法python代码-边缘检测

import numpy as np import math def rgb_to_yuv(rgb_img): yuv_img=np.zeros((np.shape(rgb_img))) yuv_img[...,0]= 0.213*rgb_img[...,0]+0.715*rgb_img[...,1]+0.072*rgb_img[...,2] yuv_img[...,1]=-0.115*rgb_img[...,0]-0.385*rgb_img[...,1]+0.500*rgb_img[...,2] yuv_img[...,2]= 0.500*rgb_img[...,0]-0.454*rgb_img[...,1]-0.046*rgb_img[...,2] return yuv_img def yuv_to_rgb(yuv_img): rgb_img=np.zeros((np.shape(yuv_img))) rgb_img[...,0]=yuv_img[...,0]+1.402*yuv_img[...,2] rgb_img[...,1]=yuv_img[...,0]-0.344*yuv_img[...,1]-0.792*yuv_img[...,2] rgb_img[...,2]=yuv_img[...,0]+1.772*yuv_img[...,1] return rgb_img def laplace_sharpening(src_img,mode=0): ''' 基于二阶微分拉普拉斯算子的图像锐化. src_img:原始图像,支持rgb图像或者灰度图像,像素值必须归一化到[0,1]之间,图片矩阵的维度,对于灰度图可以是(h,w)或者(h,w,1),对于rgb图像,必须为(h,w,3). mode:拉普拉斯算子模板样式,mode=0时,把当前像素相邻的上下左右四个像素统计进来,mode=1时,除了考虑当前像素上下左右四个相邻像素考虑进去之外，还考虑了四个对角像素的影响. ''' img_shape=np.shape(src_img) dims=len(img_shape)#图片矩阵的维度 if dims==2 :#如果图片为二维的灰度图，则原图就是亮度图 y_img=src_img elif dims==3 and img_shape[2]==1:#如果图片的维度是三维，且第三通道为1，则进行维度压缩得到亮度图 y_img=src_img[...,0] elif dims==3 and img_shape[2]==3:#如果图片是rgb图像，则进行yuv颜色空间转换，y通道为亮度图像 yuv_img=rgb_to_yuv(src_img) y_img=yuv_img[...,0] else: print("error! src_img shoould be rgb image or gray image.") return h,w=img_shape[0:2] pad_y_img=np.pad(y_img,([1,1],[1,1]),"edge")#图片边缘加厚一个像素，加厚那部分像素值用边缘的像素值替代 dst_y_img=np.zeros((h,w)) #以下循环代码，对图片的亮度进行锐化调整 if mode==0: for i in range(h): for j in range(w): dst_y_img[i,j]=5*pad_y_img[i,j]-pad_y_img[i-1,j]-pad_y_img[i+1,j]-pad_y_img[i,j-1]-pad_y_img[i,j+1] else: for i in range(h): for j in range(w): dst_y_img[i,j]=9*pad_y_img[i,j]-pad_y_img[i-1,j]-pad_y_img[i+1,j]-pad_y_img[i,j-1]-pad_y_img[i,j+1]\ -pad_y_img[i-1,j-1]-pad_y_img[i-1,j+1]-pad_y_img[i+1,j-1]-pad_y_img[i+1,j+1] dst_y_img=np.clip(dst_y_img,0,1.0)#经过运算，有可能会出现某些像素值小于0或者大于1的情况，为了防止像素值溢出，需要对像素值进行截断处理 if dims==2:#如果原图是二维的灰度图，那么返回的也是二维的灰度图 return dst_y_img if dims==3 and img_shape[2]==1: return np.expand_dims(dst_y_img,2) else: yuv_img[...,0]=dst_y_img rgb_img=yuv_to_rgb(yuv_img) return rgb_img def blur_mask_sharpening(src_img,kernel_size=9,gain=1): ''' 基于非锐化掩蔽(模糊掩蔽)的图像锐化. src_img:原始图像,支持rgb图像或者灰度图像,像素值必须归一化到[0,1]之间,图片矩阵的维度,对于灰度图可以是(h,w)或者(h,w,1),对于rgb图像,必须为(h,w,3). kernel_size:模糊滤波核的尺寸,必须为奇数,可选3、5、7、9、...等. gain:掩蔽权重系数,当gain<1时表示削弱掩蔽的影响,gain>1表示增强掩蔽的影响. ''' img_shape=np.shape(src_img) dims=len(img_shape)#图片矩阵的维度 if dims==2 :#如果图片为二维的灰度图，则将图片的维度扩展为三维的 y_img=src_img elif dims==3 and img_shape[2]==1: y_img=src_img[...,0] elif dims==3 and img_shape[2]==3: yuv_img=rgb_to_yuv(src_img) y_img=yuv_img[...,0] else: print("error! src_img shoould be rgb image or gray image.") return h,w=img_shape[0:2] pad_size=kernel_size//2 pad_y_img=np.pad(y_img,([pad_size,pad_size],[pad_size,pad_size]),"edge")#图片边缘加厚一个像素，加厚那部分像素值用边缘的像素值替代 dst_y_img=np.zeros((h,w)) for i in range(h): for j in range(w): blur=np.mean(pad_y_img[i:i+2*pad_size,j:j+2*pad_size])#均值滤波 mask=pad_y_img[i,j]-blur dst_y_img[i,j]=pad_y_img[i,j]+gain*mask dst_y_img=np.clip(dst_y_img,0,1.0)#经过运算，有可能会出现某些像素值小于0或者大于1的情况，为了防止像素值溢出，需要对像素值进行截断处理 if dims==2:#如果原图是二维的灰度图，那么返回的也是二维的灰度图 return dst_y_img if dims==3 and img_shape[2]==1: return np.expand_dims(dst_y_img,2) else: yuv_img[...,0]=dst_y_img rgb_img=yuv_to_rgb(yuv_img) return rgb_img def grad_sharpening(src_img,grain=1): ''' 基于梯度的图像锐化. src_img:原始图像,支持rgb图像或者灰度图像,像素值必须归一化到[0,1]之间,图片矩阵的维度,对于灰度图可以是(h,w)或者(h,w,1),对于rgb图像,必须为(h,w,3). gain:梯度增益系数,当gain<1时表示削弱梯度的影响,gain>1表示增强梯度的影响. ''' img_shape=np.shape(src_img) dims=len(img_shape)#图片矩阵的维度 if dims==2 :#如果图片为二维的灰度图，则原图就是亮度图 y_img=src_img elif dims==3 and img_shape[2]==1:#如果图片的维度是三维，且第三通道为1，则进行维度压缩得到亮度图 y_img=src_img[...,0] elif dims==3 and img_shape[2]==3:#如果图片是rgb图像，则进行yuv颜色空间转换，y通道为亮度图像 yuv_img=rgb_to_yuv(src_img) y_img=yuv_img[...,0] else: print("error! src_img shoould be rgb image or gray image.") return h,w=img_shape[0:2] pad_y_img=np.pad(y_img,([1,1],[1,1]),"edge")#图片边缘加厚一个像素，加厚那部分像素值用边缘的像素值替代 dst_y_img=np.zeros((h,w)) #以下循环代码，对图片的亮度进行锐化调整 for i in range(h): for j in range(w): grad_m=math.fabs(pad_y_img[i+1,j-1]+2*pad_y_img[i+1,j]+pad_y_img[i+1,j+1]-pad_y_img[i-1,j-1]-2*pad_y_img[i-1,j]-pad_y_img[i-1,j+1])\ -math.fabs(pad_y_img[i-1,j+1]+2*pad_y_img[i,j+1]+pad_y_img[i+1,j+1]-pad_y_img[i-1,j-1]-2*pad_y_img[i,j-1]-pad_y_img[i+1,j-1]) dst_y_img[i,j]=pad_y_img[i,j]+grad_m*grain dst_y_img=np.clip(dst_y_img,0,1.0)#经过运算，有可能会出现某些像素值小于0或者大于1的情况，为了防止像素值溢出，需要对像素值进行截断处理 if dims==2:#如果原图是二维的灰度图，那么返回的也是二维的灰度图 return dst_y_img if dims==3 and img_shape[2]==1: return np.expand_dims(dst_y_img,2) else: yuv_img[...,0]=dst_y_img rgb_img=yuv_to_rgb(yuv_img) return rgb_img