著作目次 一、简介：二、图像明晰度增强有缱绻：三、算法已毕方法3.1高反差保留已毕3.2. usm锐化3.3 Overlay肖似 四：合座代码已毕五：成果 一、简介：

你是否有过这么的烦躁，拍出来的像片老是不够明晰，显得雾蒙蒙的？其实，通过一些浅显的技巧，咱们不错让这些疲塌的像片应允重生。当先，让咱们来了解一下什么是图像明晰度。浅显来说，图像明晰度等于指图片成人小电影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；而一张疲塌的像片，则细节丢失，看起来不够横暴。图像明晰度增强等于指通过一系列算法和时候妙技提高图像的视觉成果成人小电影，使图像中的细节愈加明晰，边际愈加横暴，合座图像愈加昭彰。

二、图像明晰度增强有缱绻：

二、图像明晰度增强有缱绻：

为了升迁图像的明晰度，咱们制定了以下增强有缱绻： 高反差保留：当先，咱们对原图进行高反差保留不停，这一方法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。通过这种表情，图像的细节获取强化，而不会引入零碎的噪声。 USM锐化：接着，咱们对图像进行USM（Unsharp Masking）锐化不停。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。这一方法将进一步卓绝图像的细节，使图像看起来愈加横暴。 细节图与原图肖似：临了，咱们将经过USM锐化不停的细节图与原始图像进行肖似。这一方法通过并吞原始图像的色调信息和锐化后的细节信息，已毕图像明晰度的合座升迁。 具体奉行方法如下： 对原图进行小核高斯疲塌不停，这一方法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浩大的基础。对去噪后的图像诈欺高反差保留，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肖似，通过肖似不停，最终的图像既保留了原始色调，又增强了明晰度和细节。 通过上述有缱绻，咱们不错有用地升迁图像的明晰度，使图像愈加稳当视觉审好意思和本体诈欺的需求。

色吧小说 三、算法已毕方法 3.1高反差保留已毕

高反差保留是一种图像不停时候，它的主要主义是强化图像中的细节和边际，同期尽量保握图像的合座亮度不变。简而言之，高反差保留的经由如下： 识别反差：当先，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度。反差每每是通过诡计像素值的梯度来细主义，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（每每是图像的平坦区域）调遣为接近中间灰度的值。 和会图像：临了，将经过反差保留不停的图像与原始图像进行和会。这么，原始图像中的低反差区域（如平滑过渡的色调或亮度区域）会保握不变，而高反差区域（如边际和细节）则会获取增强。 高反差保留的成果是使图像的细节愈加卓绝，而不会显贵改动图像的合座色调。这种时候在图像增强、锐化不停以及艺术成果制作中非每每用

代码如下：

def high_reserve(img， ksize， sigm):
    # 将输入图像调遣为浮点数，以便进行后续的数学运算
    img = img * 1.0
    # 使用高斯疲塌对图像进行疲塌不停，ksize是高斯核的大小，sigm是高斯核的当作差
    gauss_out = cv2.GaussianBlur(img， (ksize， ksize)， sigm)
    # 诡计原始图像与高斯疲塌后的图像之差，然后加上128以治愈亮度
    img_out = img - gauss_out + 128
    # 将图像数据缩放到0到1的限制内，便于后续不停
    img_out = img_out / 255.0
    # 富有不停，推辞像素值超出0到1的限制
    # 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的像素值成立为0
    img_out = img_out * (1 - mask_1)
    # 将大于1的像素值成立为1
    img_out = img_out * (1 - mask_2) + mask_2 
    # 复返不停后的图像
    return img_out
图片

3.2. usm锐化

USM（Unsharp Masking，非锐化掩藏）锐化是一种常用的图像不停时候，用于增强图像的边际和细节，使图像看起来愈加明晰和昭彰。以下是USM锐化的基本旨趣和方法： 旨趣：USM锐化的中枢想想是先疲塌原图像，然后从原图中减去这个疲塌的版块，临了将获取的边际增强遣散与原图羼杂，以此来升迁图像的明晰度。 方法： 1.高斯疲塌：当先，对原始图像诈欺高斯疲塌。这个经由会创建一个疲塌版块的图像，疲塌的进度由用户设定的半径（radius）参数为止。 2. 边际索取：接下来，从原始图像中减去疲塌的图像。这个操作会卓绝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. 羼杂：临了，将索取出的边际信息与原始图像进行羼杂。羼杂的比例由用户设定的数目（amount）参数为止，这个参数决定了锐化成果的强度。

代码如下：

def usm(img， number):
    # 使用高斯疲塌对原始图像进行疲塌不停，(0， 0)示意核大小自动证实sigma值诡计
    # number参数是高斯核的当作差sigma，为止疲塌的进度
    blur_img = cv2.GaussianBlur(img， (0， 0)， number)
    # 使用addWeighted函数对原始图像和疲塌图像进行羼杂
    # 参数1.5和-0.5分离是原始图像和疲塌图像的权重，0是加到羼杂遣散上的常数
    # 这里的权重成立使得羼杂遣散华夏始图像的边际和细节获取增强
    usm = cv2.addWeighted(img， 1.5， blur_img， -0.5， 0)
    # 复返USM锐化不停后的图像
    return usm

3.3 Overlay肖似

Overlay”（肖似）是一种羼杂情势，它用于将两个图层的内容以特定的表情羼杂在沿途，创造出一系列视觉成果。肖似羼杂情势每每用于增强图像的对比度和富有度，同期保留底层图层的细节。 肖似羼杂情势的成果取决于底层图层的亮度。它证实底层图层的亮度来治愈羼杂图层（即顶层图层）的颜料，苦守以下限定： 1. 当底层图层像素的亮度低于50%时： 肖似羼杂情势会将顶层图层的颜料与底层图层进行“乘法”羼杂。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： 肖似羼杂情势会将顶层图层的颜料与底层图层进行“屏幕”羼杂。这会导致底层较亮的区域变得更亮，通常增强对比度。

代码已毕：

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不停
    # 当掩码为True时（即blend小于0.5），使用公式2 * target * blend诡计羼杂遣散
    # 当掩码为False时（即blend大于等于0.5），使用公式1 - 2 * (1 - target) * (1 - blend)诡计羼杂遣散
    img = 2 * target * blend * mask + (1 - mask) * (1 - 2 * (1 - target) * (1 - blend))
 
    # 复返不停后的图像
    return img

注： 2 * target * blend * mask： mask 是一个布尔数组，它示意羼杂图层 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 已毕了“乘法”羼杂成果，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，它示意羼杂图层 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))： 这个抒发式已毕了“屏幕”羼杂成果，当 blend 的像素值大于等于0.5时诈欺。 (1 - target) 和 (1 - blend) 分离诡计了主义图层和羼杂图层像素值的补数。 2 * (1 - target) * (1 - blend) 已毕了补数的“乘法”羼杂，然后通过 1 - 取反，获取“屏幕”羼杂成果，这会使得较亮的区域变得更亮。

四：合座代码已毕

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
    # 富有不停
    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：成果

左侧为原始图像，右侧为增强后的图像

图片

本站仅提供存储做事，扫数内容均由用户发布，如发现存害或侵权内容，请点击举报。