图像平滑与锐化实验报告（简要说明图像平滑处理和图像锐化处理的区别）

1.平滑的模糊处理

以Dalsa sherlock软件为例，我们来了解一下视觉检测中的平滑和模糊图像处理方法。

1、观察灰度分布来描述图像称为空间域，观察图像变化的频率称为频域。

2、频域分析：低频对应区域的图像强度变化缓慢，而高频对应区域的强度变化较快。低通滤波器去除图像的高频部分，高通滤波器去除图像的低频部分。

平滑模糊处理（低通）

高斯滤波、中值滤波、均值滤波都属于低通滤波。图像的边缘、跳跃部分和颗粒噪声代表图像信号的高频成分，而大面积背景区域代表图像信号的低频信号。使用滤波可以通过滤除高频部分来消除噪声。

在Sherlock 中，使用低通处理来平滑图像的算法包括：Lowpass、Lowpass5X5、Gaussian、Gaussian5X5、GaussianWXH、Median、Smooth。

低通滤波器：低通Lowpass5X5

Sherlock中的两种算法直接理解为低通滤波。根据文档中的描述，这两种算法分别对3x3和5x5尺寸内的图像进行平均平滑。它们可以重复多次。我无法理解它们之间的区别。平滑算法的区别。

(1) 均值滤波器：平滑

均值滤波器是最简单的低通滤波器。它根据设定的大小对相邻像素进行平均。 Sherlock 使用3x3 的尺寸。每个点的像素值由其原始像素值和周围8个像素决定。替换为像素值的平均值。

例如下图中，在3x3的滤波器尺寸内，中心点的原始像素值为1，相邻像素的平均值为2。经过均值滤波后，中心点的像素值为2。

(2)中值滤波器：Median

根据设定的大小对区域内的像素进行排序。中心点的像素值被滤波器尺寸内中间的像素值替换。中值滤波对于消除小噪声或脉冲噪声非常有效。中值滤波会通过改变图像的结构来改变图像的强度。

(3)高斯滤波器：高斯Gaussian5X5 GaussianWXH

高斯滤波是对整个图像进行加权平均的过程。每个像素的值是通过自身和邻域内其他像素值的加权平均值得到的，模糊了图像的细节。常用于去除噪音和平滑边缘。

高斯滤波的具体操作是：使用模板（或卷积、掩模）扫描图像中的每个像素，用模板确定的邻域内像素的加权平均灰度值来代替中心像素的值模板的。

高斯：采用3X3大小，滤波器系数为标准差0.85的二维高斯分布，可多次执行

Gaussian5X5：使用5X5大小，滤波器系数是标准差为1的二维高斯分布。可以执行多次，但增加执行次数会增加标准差的值，近似为平方重复次数的根。

注意：每次复用后，图像边缘会留下2个像素，以保持像素不变。如果影响图像的边缘，要注意设置边缘的灰度值。

GaussianWXH：使用可以设置的大小，也可以设置权重的标准差。可以通过多次重复小高斯来实现大高斯滤波器。例如，如果重复执行3x3或5x5高斯，则执行次数N*1.4或N*2.8就是滤波器大小。例如，如果3x3 执行9 次，则滤波器大小约为9*1.4，类似于13X13 高斯。

标准差

Sigma越大，分布越均匀，周围权重越大，模糊程度越大。

Sigma越小，分布越集中，中心附近的权重越大，模糊程度越小。

平均高斯

2、锐化、强化加工

图像锐化处理使图像边缘更加清晰，细节增强。

Sherlock 中用于锐化图像的算法是各种卷积：1X3、1X5、1X7、3X3、5X1、5X5、7X1、Chatter Edge、Gradient、Highpass、Sharpen

1X3、1X5、1X7、3X3、5X1、5X5、7X1

选择不同大小的卷积核，每个位置的像素通过设定的卷积核与相邻像素进行卷积。

如果目标像素及其周围值（上、下、左、右的相邻点，具体邻居范围取决于算子的大小，3*3算子的邻居范围为1，邻居范围5*5算子的值为2，以此类推）如果差异较大，那么可以使用该算子对原图像矩阵中的该位置进行卷积运算，得到的值会与像素的原始灰度值。当正面和背面的差异超过我们预设的范围时，该像素被标记为255（白色），其余点被标记为0（黑色）。这会产生黑色背景和白线作为边缘或形状。边缘提取效果图。锐化算子：通过卷积运算，可以增大矩阵每个元素与周围元素的方差，最好的情况下可以起到锐化的作用，最坏的情况下可以起到边缘提取的作用。相反，这是一个去噪过程。

上图可以看出算法的参数就是设置卷积核的参数。

颤振边缘

用于提取噪声或模糊的边缘。过滤器尺寸可定制。输出是二值化或修剪后的灰度图像。机械振动引起的图像抖动，如下图：

使用可以调整滤波器内核大小的差分滤波器，例如大小为4 的内核为{-1, 0, 0, 1} 或大小为6 的内核为{-1, 0, 0, 0, 0, 1}。该过滤器水平、垂直或同时扫描输入图像以生成输出图像。

应用滤波器大小为16 的“X”滤波器以增强图像的较低对比度边缘。

低于边缘阈值的任何输出值都设置为0。等于或大于边缘阈值的值将输出为全白色。如果上面的keep Gray 设置为True，则保留原始值。滤波器大小（卷积核大小）可设置为2-255。由于卷积是线性运算，因此我们可以将此差分滤波分为两个矩形（采样积分器）滤波器。一个滤波器相对于另一滤波器偏移一个像素。矩形滤波器是用于去除噪声的低通滤波器。 -1，…。1 这些用于增强边缘。

过滤器方向设置过滤器的方向。 “X”表示滤波器是水平的，“Y”表示滤波器是垂直的，这两者都会导致滤波器扫描输入图像以获得输出图像。如果“任一”，则应用两个方向的过滤。如果上面的keep Gray 设置为false，则X 和Y 的过滤结果通过逻辑或进行组合。如果上面的keep Gray 设置为true，则输出为X 和Y 方向上的最大值。

过渡类型设置边缘对比度变化。 “从暗到亮”将边缘从暗到亮放大，“从亮到暗”将边缘从亮到暗放大。 “任一”两种对比度变化都被放大。

下侧的图像显示了过渡非常缓慢且扩散的边缘，右侧的图像显示了应用滤波器大小为10 的颤振边缘的结果。

Gradient梯度锐化，用于线性ROI

使用基于按距离分隔的像素的线性渐变来增强边缘

输出=abs（n - 间隔/2）-（n + 间隔/2） ]

高通Highpass5x5高通滤波器

锐化

在图像增强过程中，通常采用各种图像平滑算法来消除噪声。一般来说，图像的能量主要集中在其低频部分，噪声所在的频段主要集中在高频段，图像的边缘信息也主要集中在其高频部分。频率部分。这会导致原始图像在平滑后图像边缘和图像轮廓变得模糊（平滑可以认为是去除噪声，这也模糊了图像的边缘信息）。

为了减少此类不良影响的影响，需要采用图像锐化技术，使图像的边缘清晰。图像锐化的目的是使图像的边缘、轮廓和细节清晰。平滑后的图像变得模糊的根本原因是因为图像经过了平均或积分运算，所以可以反转。 （如微分运算）可以使图像更加清晰。

微分运算是求信号的变化率。从傅里叶变换的微分特性可以看出，微分运算对高频成分影响很大。从频域角度来看，图像模糊的本质是其高频成分被衰减，因此可以使用高通滤波器来使图像变得清晰。但需要注意的是，能够锐化的图像必须具有较高的信噪比，否则锐化后的图像将具有较低的信噪比，导致噪声增加超过信号。因此，一般先去除或降低噪声。然后进行锐化处理。