- 锐化掩模 SM 锐化增强算法-加法操作
效果图 = 源图像+w*高频分量图像；其中w表示权重（0.1～0.9），默认为0.6
矩阵的掩膜操作十分简单，根据掩膜来重新计算每个像素的像素值，掩膜（mask 也被称为Kernel）。直接提取高频的方法有sobel算法、laplcian算子，sobel算子是图像的一阶导数，提取的是梯度信息，分水平和垂直两种，常常用来做边缘检测、方向判别，sobel算子在斜坡处不为0，因此会产生较粗的边缘。laplcian算子是图像的二阶导，在图像开始变化和结束变化的地方值不为0，渐变时结果为0，因此laplacian比sobel算子更适合做sharpen。
- 非锐化掩模 USM 锐化增强算法-减法操作
效果图 = 源图像+（源图像– w*低频分量图像）/（1-w）；其中w表示权重（0.1～0.9），默认为0.6
除了直接提取高频的方法外，我们也可以先提取低频，原图减去低频得到高频。这种方法称为非锐化掩（unsharpen mask），我们常使用低通滤波器（高斯、双边）对图像进行滤波，这种方法滤波器很好控制（包括大小和强弱），从而可以控制高频分量的强弱。
图像卷积处理实现锐化有一种常用的算法叫做Unsharpen Mask方法，这种锐化的方法就是对原图像先做一个高斯模糊，然后用原来的图像减去一个系数乘以高斯模糊之后的图像，然后再把值Scale到0～255的RGB像素值范围之内。基于USM锐化的方法可以去除一些细小的干扰细节和噪声，比一般直接使用卷积锐化算子得到的图像锐化结果更加真实可信。
Opencv+C++
voidquick_opencv::unsharpenMask_Demo(Mat&image) { // 非锐化掩模// USM锐化公式表示如下：//（源图像– w*高斯模糊） / （1 - w）；其中w表示权重（0.1～0.9），默认为0.6Matblur_img, usm; GaussianBlur(image, blur_img, Size(0, 0), 25); addWeighted(image, 1.5, blur_img, -0.5, 0, usm); imshow("非锐化掩模", usm); } voidquick_opencv::sharpenMask_Demo(Mat&image) { //掩膜操作intchannels=image.channels();//图像的通道数intcols= (image.cols)*image.channels();//列数*通道数introws=image.rows;//行数Matdst=Mat::zeros(image.size(), image.type());//初始化 dstfor (introw=1; row<rows-1; row++) { constuchar*previous=image.ptr<uchar>(row-1);//上一行constuchar*current=image.ptr<uchar>(row);//当前行constuchar*next=image.ptr<uchar>(row+1);//下一行uchar*output=dst.ptr<uchar>(row); for (intcol=1*channels; col<cols-1*channels; col++) { //掩膜操作：I(i,j) = 5*I(i,j) - [I(i-1,j)+I(i+1,j)+I(i,j-1)+I(i,j+1)]output[col] =saturate_cast<uchar>(5*current[col] - (previous[col] +next[col] +current[col+channels] +current[col+channels])); } } imshow("锐化掩模", dst); }
效果图
