图像锐化

Image Sharpening - 梯度边缘强度与 Laplace 增强

第二章 / 图像预处理

参数面板

图像锐化通过增强灰度突变区域来突出边缘和轮廓；左侧参数可切换教学示例、锐化方法及梯度合成方式，主区展示当前窗口的逐像素计算过程。

教学示例

锐化方法

梯度合成方式

窗口定位辅助操作

用方向键或下方 4 个按钮移动当前窗口；也可以直接点击原图或结果图跳转。

当前像素 (0, 0)第 1 / 4096 步

方向

概念说明

锐化要增强什么

图像锐化示例 — 锐化通过增强局部变化，让轮廓和纹理更清楚。图源：scikit-image unsharp mask 示例

任务

当图像因为拍摄抖动、对焦不实或压缩而边缘发虚时，轮廓和纹理的细节会变模糊。任务是让边缘处的亮暗变化更陡峭，使轮廓重新清晰，而不是简单把整幅图变亮。

思路

常用的处理办法是：先提取图像的或，找到边缘和纹理的位置；再把这部分变化量按一定比例叠加回原图；也可以先做一次轻微模糊得到，用原图减去低频图得到边缘细节，最后把细节加回去。参数越大边缘越突出，但噪声和伪影也可能被一起放大。

观察

拖动窗口到边缘位置，比较原图窗口、提取出的边缘响应和锐化后的输出；切换锐化强度，观察平坦区域几乎不变、边缘处变化加剧，同时注意过强参数会让噪声和伪影一起变得明显。

方向键移动 / 点击原图或结果图跳转当前结果像素 (0, 0)

第 1 / 4096 步

原图64×64

真实 Lena 灰度图，红点表示当前中心像素

锐化处理

第 1 / 4096 步

结果64×64

绿色框表示当前输出像素

当前像素 (0, 0)

邻域 3×3，中心值 = 0.458

梯度差分

f_{x}' = f (1, 0) - f (0, 0) = 0.0703

f_{y}' = f (0, 1) - f (0, 0) = -0.0014

grad = \max (| f_{x}' |, | f_{y}' |) = 0.0703

输出像素 (0, 0)

0.0703

{output}_{8-bit} (0, 0) = round (255 \times 0.0703) = 18

内部为归一化灰度，显示为 8-bit 时裁剪到 0 到 255

一阶梯度（边缘强度）公式

grad (x, y) = \max (| f_{x}' |, | f_{y}' |)

该模式展示梯度幅值（边缘强度图），是对锐化思想的简化；完整梯度锐化需将梯度加回原图。在离散图像中，偏导数用一阶差分近似。

当前像素 (0, 0) 代入计算

3×3 邻域矩阵

0.458

0.528

0.458

0.528

0.456

0.526

红色 = 当前像素

f (0, 0)

，黄色 = 差分计算用邻域像素

一阶差分计算

f_{x}' = f (1, 0) - f (0, 0) = 0.5281 - 0.4578 = 0.0703

f_{y}' = f (0, 1) - f (0, 0) = 0.4563 - 0.4578 = -0.0014

梯度幅值合成

| f_{x}' | = 0.0703, | f_{y}' | = 0.0014

grad = \max (| f_{x}' |, | f_{y}' |) = 0.0703

output (0, 0) = 0.0703

{output}_{8-bit} (0, 0) = round (255 \times 0.0703) = 18

梯度值越大说明该位置灰度变化越剧烈（边缘越明显）。计算过程使用归一化灰度；按 8-bit 显示时必须裁剪到 0 到 255。

一阶梯度（边缘强度）与 Laplace 增强的区别

一阶梯度（边缘强度）

直接度量相邻像素的灰度变化，输出为“边缘强度图”。它能突出突变位置，但平坦区域通常接近 0；完整锐化还需将梯度加回原图。

Laplace 增强

先计算二阶差分，再回写到原图上增强反差，因此更接近“锐化后的图像”。它对边缘和噪声都会更敏感。

卷积