图像锐化——非锐化掩膜USM和锐化掩膜SM（附代码）

非锐化掩膜 (USM) 和锐化掩膜 (SM) 都是常用的图像锐化技术。它们都可以通过增强图像的边缘信息来提高图像的清晰度。

一、非锐化掩膜USM

1.1 USM原理

非锐化掩膜 (USM) 的基本原理是：先用低通滤波器对图像进行滤波，得到一个模糊的图像；然后将原始图像与模糊图像相减，得到高频残差图像；最后，将高频残差图像与原图像按一定比例叠加，得到锐化后的图像。

1.2 USM实现步骤

USM实现步骤如下：

（1）低通滤波：首先，使用低通滤波器（如高斯滤波器）对原始图像进行滤波处理，得到低频分量图像。这个低频分量图像相当于原始图像的模糊版本。

（2）计算高频分量：然后，将低频分量图像从原始图像中减去，得到高频分量图像。这个高频分量图像包含了原始图像的细节信息。

（3）放大高频分量：将高频分量图像乘以一个系数（通常大于1），以放大细节信息。

（4）叠加高频分量：最后，将放大后的高频分量图像叠加到原始图像上，得到锐化后的图像。

1.3 优点

USM方法可以去除一些细小的干扰细节和噪声，因此得到的锐化结果通常比直接使用高通滤波器得到的结果更加真实可信。

1.4 代码

使用下面代码，学者修改导入图像路径，还有权重，卷积核大小等参数，自行调整对比效果。

import cv2
import numpy as np

def usm_sharpen(image, radius, amount, threshold):
    """
    使用非锐化掩膜 (USM) 锐化图像。

    参数：
        image: 输入图像。
        radius: 低通滤波器的半径。
        amount: 锐化程度。
        threshold: 阈值。

    返回值：
        锐化后的图像。
    """

    # 使用高斯滤波器进行滤波
    blurred = cv2.GaussianBlur(image, (radius, radius), 0)

    # 计算高频残差图像
    residual = cv2.subtract(image, blurred)

    # 创建掩膜
    mask = cv2.absdiff(image,blurred) * 255 > threshold
    mask = mask.astype(np.float32)

    # 创建软掩膜
    soft_mask = cv2.GaussianBlur(mask,(radius, radius), 0)

    # 锐化后图像
    sharpened = cv2.addWeighted(image,1,residual,amount,0)

    # 限制像素值在0到255之间
    sharpened = np.clip(sharpened, 0, 255).astype(np.uint8)
    print(sharpened.shape)
    print(image.shape)

    # 将锐化后图像和原始图像加权融合
    alpha = np.mean(soft_mask)
    beta = 1 - alpha
    result_image = cv2.addWeighted(sharpened,alpha,image,beta,0)

    return result_image

# 读取图像
image = cv2.imread('Images/Visible_Images/0108x3.png')

# 锐化图像
radius = 5  # 低通滤波器的半径
amount = 2 # 锐化程度
threshold = 10.0  # 阈值
sharpened_image = usm_sharpen(image, radius, amount, threshold)

# 显示锐化后的图像
cv2.imshow("original",image)
cv2.imshow('Sharpened Image', sharpened_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

二、锐化掩膜SM

2.1 SM原理

锐化掩膜（Sharpen Mask，简称SM）是一种图像锐化技术，其基本原理是提取图像的高频分量（即细节信息，如边缘和纹理），然后将这些高频分量放大并叠加到原始图像上，从而增强图像的对比度，使图像看起来更清晰。

2.2 SM实现步骤

SM的实现步骤如下：

（1）提取高频分量：直接使用高通滤波器，得到高频分量。这个高频分量图像包含了原始图像的细节信息。

（2）放大高频分量：将高频分量图像乘以一个系数（通常大于1），以放大细节信息。

（3）叠加高频分量：最后，将放大后的高频分量图像叠加到原始图像上，得到锐化后的图像。

2.3 优点

这种方法的优点是可以直接提取和增强图像的高频分量，从而达到锐化的效果。然而，由于直接提取高频分量可能会放大图像中的噪声，因此在使用SM方法时，通常需要对图像进行预处理，以减小噪声的影响。

2.4 代码

使用下面代码，学者修改导入图像路径，还有权重，卷积核大小等参数，自行调整对比效果。

import cv2
import numpy as np

def sm_sharpen(image, amount=2.0, radius=5.0, threshold=10):
    # 创建一个高斯模糊的版本的图像
    blurred = cv2.GaussianBlur(image, (0, 0), radius)

    # 计算原始图像与模糊图像之间的差异
    diff = cv2.subtract(image, blurred)

    # 将差异缩放到指定的量
    diff = cv2.multiply(diff, np.array([amount]))

    # 将差异添加回原始图像，以产生锐化效果
    sharpened = cv2.add(image, diff)

    # 将结果裁剪到0-255的范围内
    sharpened = np.clip(sharpened, 0, 255).astype(np.uint8)

    return sharpened

# 读入图像调用函数
img = cv2.imread('Images/Visible_Images/0108x3.png')
sharp_img = sm_sharpen(img)

cv2.imshow("sharp_img",sharp_img)
cv2.imshow("original",img)

cv2.waitKey()
cv2.destroyAllWindows()