數(shù)字圖像處理圖像銳化(參考版)
2025-05-02 08:22本頁面
【正文】 返回 實驗效果圖 1 返回 實驗效果圖 2 返回 。prewitt39。imshow(L1)。M1=filter2(M,I)/200。prewitt39。)。title(39。 subplot(2,2,3)。)。 L=fspecial(39。laplacian39。imshow(K1)。K1=filter2(K,I)/100。laplacian39。)。title(39。 subplot(2,2,1)。39。 subplot(2,2,4),imshow(BW3)。 subplot(2,2,2),imshow(BW1)。)。 BW3 = edge(I,39。prewitt39。)。 BW1 = edge(I, 39。39。反映的邊界信息包括了許多的細節(jié)信息，但是所反映的邊界不是太清晰。 高斯 拉普拉斯算子將平滑運算和銳化運算結(jié)合在一起，非常適合被噪聲污染的圖像進行銳化增強 二階微分銳化 —— 高斯 拉普拉斯算子 一階與二階微分的邊緣提取效果比較 ? 以 Sobel及 Laplacian算法為例進行比較。 （ 46=255/log(256)） 二階微分銳化 —— Wallis算法 ? 算法特點： Wallis算法考慮了人眼視覺特性，因此，與 Laplacian等其他算法相比，可以對 暗區(qū)的細節(jié) 進行比較好的銳化。 )1,(l o g)1,(l o g),1(l o g),1([ l o g)],(l o g [),( 41??????????jifjifjifjifssjifjig???????????????0101410101H???????????????0010041414141H示例 二階微分銳化 —— Wallis算法 ? 在前面的算法公式中注意以下幾點： 1）為了防止對 0取對數(shù)，計算時實際上是用log(f(i,j)+1)。 ? H1,H2的效果基本相同， H3的效果最不好，H4最接近原圖。 二階微分銳化 —— 算法推導 22222yfxff????????)],1(),([22 jifjifx f xx ?????)],(),1([)],1(),([ jifjifjifjif ??????)]1,(),([22 ????? jifjify f yy)],()1,([)]1,(),([ jifjifjifjif ??????)1,()1,(),1(),1(),(42 ??????????? jifjifjifjifjiff二階微分銳化 —— Laplacian 算法 ? 由前面的推導，寫成模板系數(shù)形式即為Laplacian算子： ???????????????0101410101H示例 二階微分銳化 —— Laplacian變形算法 ? 為了改善銳化效果，可以脫離微分的計算原理，在原有的算子基礎(chǔ)上，對模板系數(shù)進行改變，獲得
職業(yè)教育相關(guān)推薦
鄂ICP備17016276號-1