著述目次 一、简介：二、图像明晰度增强决策：三、算法杀青作为3.1高反差保留杀青3.2. usm锐化3.3 Overlay近似 四：全体代码杀青五：后果 一、简介：

你是否有过这么的苦恼，拍出来的像片老是不够明晰，显得雾蒙蒙的？其实，通过一些肤浅的技巧，咱们不错让这些腌臜的像片欢腾重生。领先眼镜妹 探花，让咱们来了解一下什么是图像明晰度。肤浅来说，图像明晰度等于指图片眼镜妹 探花中的细节是否明晰可见。一张明晰的像片，细节丰富，边际分明；而一张腌臜的像片，则细节丢失，看起来不够机敏。图像明晰度增强等于指通过一系列算法和时候技巧提高图像的视觉后果，使图像中的细节愈加明晰，边际愈加机敏，全体图像愈加昭着。

二、图像明晰度增强决策：

二、图像明晰度增强决策：

国内偷拍的视频在线播放

为了晋升图像的明晰度，咱们制定了以下增强决策： 高反差保留：领先，咱们对原图进行高反差保留处治，这一作为旨在保留图像中的高频细节，如边际和纹理，同期过滤掉低频的布景噪声。通过这种方式，图像的细节得回强化，而不会引入至极的噪声。 USM锐化：接着，咱们对图像进行USM（Unsharp Masking）锐化处治。USM锐化是一种常用的图像增强时候，它通过增强图像的边际对比度来提高图像的明晰度。这一作为将进一步隆起图像的细节，使图像看起来愈加机敏。 细节图与原图近似：临了，咱们将经过USM锐化处治的细节图与原始图像进行近似。这一作为通过兼并原始图像的颜色信息和锐化后的细节信息，杀青图像明晰度的全体晋升。 具体实验作为如下： 对原图进行小核高斯腌臜处治，这一作为有助于进一步去除图像上的噪声，为后续的细节保留和锐化打下雅致的基础。对去噪后的图像期骗高反差保留，以保留图像中的细节信息。 对保留细节后的图像进行USM锐化，以增强图像的边际和细节。将锐化后的细节图与原始图像进行近似，通过近似处治，最终的图像既保留了原始颜色，又增强了明晰度和细节。 通过上述决策，咱们不错有用地晋升图像的明晰度，使图像愈加稳健视觉审好意思和本体期骗的需求。

三、算法杀青作为 3.1高反差保留杀青

高反差保留是一种图像处治时候，它的主要倡导是强化图像中的细节和边际，同期尽量保捏图像的全体亮度不变。简而言之，高反差保留的经过如下： 识别反差：领先，算法会分析图像中的每个像素与其周围像素之间的反差进程。反差时常是通过料想像素值的梯度来详情的，梯度越大，反差就越昭着。 保留反差：在识别出反差之后，算法会将这些反差信息保留住来。具体来说，等于将那些反差较大的像素点保留其原始值，而将反差较小的像素点（时常是图像的平坦区域）曲折为接近中间灰度的值。 交融图像：临了，将经过反差保留处治的图像与原始图像进行交融。这么，原始图像中的低反差区域（如平滑过渡的颜色或亮度区域）会保捏不变，而高反差区域（如边际和细节）则会得回增强。 高反差保留的后果是使图像的细节愈加隆起，而不会显耀改换图像的全体色调。这种时候在图像增强、锐化处治以及艺术后果制作中非频频用

代码如下：眼镜妹 探花

def high_reserve(img， ksize， sigm):
    # 将输入图像曲折为浮点数，以便进行后续的数学运算
    img = img * 1.0
    # 使用高斯腌臜对图像进行腌臜处治，ksize是高斯核的大小，sigm是高斯核的圭臬差
    gauss_out = cv2.GaussianBlur(img， (ksize， ksize)， sigm)
    # 料想原始图像与高斯腌臜后的图像之差，然后加上128以诊治亮度
    img_out = img - gauss_out + 128
    # 将图像数据缩放到0到1的领域内，便于后续处治
    img_out = img_out / 255.0
    # 敷裕处治，贯注像素值超出0到1的领域
    # 创建一个掩码，标志小于0的像素
    mask_1 = img_out < 0
    # 创建一个掩码，标志大于1的像素
    mask_2 = img_out > 1
    # 将小于0的像素值建造为0
    img_out = img_out * (1 - mask_1)
    # 将大于1的像素值建造为1
    img_out = img_out * (1 - mask_2) + mask_2 
    # 复返处治后的图像
    return img_out
图片

3.2. usm锐化

USM（Unsharp Masking，非锐化障翳）锐化是一种常用的图像处治时候，用于增强图像的边际和细节，使图像看起来愈加明晰和昭着。以下是USM锐化的基答应趣和作为： 旨趣：USM锐化的中枢想想是先腌臜原图像，然后从原图中减去这个腌臜的版块，临了将得回的边际增强终结与原图搀杂，以此来晋升图像的明晰度。 作为： 1.高斯腌臜：领先，对原始图像期骗高斯腌臜。这个经过会创建一个腌臜版块的图像，腌臜的进程由用户设定的半径（radius）参数法令。 2. 边际索取：接下来，从原始图像中减去腌臜的图像。这个操作会隆起图像中的边际和细节，因为这些区域在减法操作后会有较高的对比度。 3. 搀杂：临了，将索取出的边际信息与原始图像进行搀杂。搀杂的比例由用户设定的数目（amount）参数法令，这个参数决定了锐化后果的强度。

代码如下：

def usm(img， number):
    # 使用高斯腌臜对原始图像进行腌臜处治，(0， 0)暗示核大小自动笔据sigma值料想
    # number参数是高斯核的圭臬差sigma，法令腌臜的进程
    blur_img = cv2.GaussianBlur(img， (0， 0)， number)
    # 使用addWeighted函数对原始图像和腌臜图像进行搀杂
    # 参数1.5和-0.5辩认是原始图像和腌臜图像的权重，0是加到搀杂终结上的常数
    # 这里的权重建造使得搀杂终结华夏始图像的边际和细节得回增强
    usm = cv2.addWeighted(img， 1.5， blur_img， -0.5， 0)
    # 复返USM锐化处治后的图像
    return usm

3.3 Overlay近似

Overlay”（近似）是一种搀杂模式，它用于将两个图层的内容以特定的方式搀杂在总计，创造出一系列视觉后果。近似搀杂模式时常用于增强图像的对比度和敷裕度，同期保留底层图层的细节。 近似搀杂模式的后果取决于底层图层的亮度。它笔据底层图层的亮度来诊治搀杂图层（即顶层图层）的模式，辞退以下规定： 1. 当底层图层像素的亮度低于50%时： 近似搀杂模式会将顶层图层的模式与底层图层进行“乘法”搀杂。这会导致底层较暗的区域变得更暗，从而增强对比度。 2. 当底层图层像素的亮度高于50%时： 近似搀杂模式会将顶层图层的模式与底层图层进行“屏幕”搀杂。这会导致底层较亮的区域变得更亮，一样增强对比度。

代码杀青：

def Overlay(target， blend):
    # 创建一个布尔型掩码，其中blend小于0.5的像素位置为True，不然为False
    mask = blend < 0.5
    
    # 使用掩码对图像进行分区域处治
    # 当掩码为True时（即blend小于0.5），使用公式2 * target * blend料想搀杂终结
    # 当掩码为False时（即blend大于等于0.5），使用公式1 - 2 * (1 - target) * (1 - blend)料想搀杂终结
    img = 2 * target * blend * mask + (1 - mask) * (1 - 2 * (1 - target) * (1 - blend))
 
    # 复返处治后的图像
    return img

注： 2 * target * blend * mask： mask 是一个布尔数组，它暗示搀杂图层 blend 中像素值小于0.5的位置。 当 mask 为 True 时，即 blend 的像素值小于0.5，这个部分会被激活。 2 * target * blend 杀青了“乘法”搀杂后果，这会使得较暗的区域变得更暗，增强对比度。 (1 - mask)： 这是一个反掩码，它暗示搀杂图层 blend 中像素值大于等于0.5的位置。 当 mask 为 False 时，即 blend 的像素值大于等于0.5，这个部分会被激活。 (1 - 2 * (1 - target) * (1 - blend))： 这个抒发式杀青了“屏幕”搀杂后果，当 blend 的像素值大于等于0.5时间骗。 (1 - target) 和 (1 - blend) 辩认料想了方针图层和搀杂图层像素值的补数。 2 * (1 - target) * (1 - blend) 杀青了补数的“乘法”搀杂，然后通过 1 - 取反，得回“屏幕”搀杂后果，这会使得较亮的区域变得更亮。

四：全体代码杀青

import cv2
import numpy as np


def high_reserve(img，ksize，sigm):
    img = img * 1.0
    gauss_out = cv2.GaussianBlur(img，(ksize，ksize)，sigm)
    img_out = img - gauss_out + 128
    img_out = img_out/255.0
    # 敷裕处治
    mask_1 = img_out  < 0
    mask_2 = img_out  > 1
    img_out = img_out * (1-mask_1)
    img_out = img_out * (1-mask_2) + mask_2
    return img_out

def usm(img ，number):
    blur_img = cv2.GaussianBlur(img， (0， 0)， number)
    usm = cv2.addWeighted(img， 1.5， blur_img， -0.5， 0)

    return usm
def Overlay(target， blend):
    mask = blend < 0.5
    img = 2 * target * blend * mask + (1 - mask) * (1 - 2 * (1 - target) * (1 - blend))
    return img

img = cv2.imread(r'F:\traditional_vison\R-C.png')
img_gas = cv2.GaussianBlur(img，(3，3)，1.5)
# img = cv2.resize(img，(640，480))
# print(img.shape)
high = high_reserve(img_gas，11，5)
usm1 = usm(high，11)
add = (Overlay(img_gas/255，usm1)*255).astype(np.uint8)

cv2.imshow("de_blur"，add)
cv2.imshow("img_gas"，img_gas)
# add=cv2.medianBlur((add*255).astype(np.uint8)，3)
# cv2.imwrite(r"E:\PS\R-C (1).jpg"，add)
cv2.waitKey(0)

五：后果

左侧为原始图像，右侧为增强后的图像

图片

本站仅提供存储干事，统统内容均由用户发布，如发现存害或侵权内容，请点击举报。

---