CN115330637A - 一种图像锐化方法、装置、计算设备及存储介质 - Google Patents

一种图像锐化方法、装置、计算设备及存储介质 Download PDF

Info

Publication number
CN115330637A
CN115330637A CN202211048198.1A CN202211048198A CN115330637A CN 115330637 A CN115330637 A CN 115330637A CN 202211048198 A CN202211048198 A CN 202211048198A CN 115330637 A CN115330637 A CN 115330637A
Authority
CN
China
Prior art keywords
image
sharpening
sharpened
pixel point
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211048198.1A
Other languages
English (en)
Inventor
刘倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiruizhiyuan Xiamen Technology Co ltd
Original Assignee
Jiruizhiyuan Xiamen Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiruizhiyuan Xiamen Technology Co ltd filed Critical Jiruizhiyuan Xiamen Technology Co ltd
Priority to CN202211048198.1A priority Critical patent/CN115330637A/zh
Publication of CN115330637A publication Critical patent/CN115330637A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种图像锐化方法、装置、计算设备及存储介质，其中方法包括：将待锐化图像进行边缘检测，得到边界像素点；确定对应预设梯度角度的稀疏矩阵；根据稀疏矩阵对边界像素点所在的图像矩阵进行卷积，得到边界像素点的目标参数；其中，稀疏矩阵和图像矩阵具有相同的行数和列数；根据目标参数，确定锐化方向和锐化系数；根据锐化方向对应的目标参数和锐化系数对待锐化图像进行锐化处理，得到锐化图像。本方案提供的图像锐化方法能够提高锐化图像质量，并简化图像锐化中的计算过程。

Description

一种图像锐化方法、装置、计算设备及存储介质
技术领域
本发明实施例涉及图像处理技术领域，特别涉及一种图像锐化方法、装置、计算设备及存储介质。
背景技术
由于成像设备、外界条件或传输过程的影响，不可避免的经常会出现获取的图像质量下降的问题，图像呈现对比度低、边缘细节模糊的特点。这给基于图像分析的应用带来了困难。图像锐化是补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰的技术，可以突出图像上事物的边缘、轮廓，或某些线性目标要素的特征，从而提高图像视觉效果，在许多领域均有极大用处。
目前，常用的图像锐化方法包括拉普拉斯图像锐化算法、USM(非锐化掩膜)算法。然而，拉普拉斯图像锐化算法锐化能力有限，会在图像平坦区域产生较多噪声，同时也会导致过度锐化，从而产生白点和黑点，对图像的质量产生影响。USM(非锐化掩膜)算法在处理过程中也会出现过度锐化而在图像边缘区域产生黑点和白点，而且其计算相对复杂，不利于硬件实现。
发明内容
本发明实施例提供了一种图像锐化方法、装置、计算设备及存储介质，能够提高锐化图像质量，并简化图像锐化中的计算过程，加快运算速度。
第一方面，本发明实施例提供了一种图像锐化方法，包括：
将待锐化图像进行边缘检测，得到边界像素点；
确定对应预设梯度角度的稀疏矩阵；
根据所述稀疏矩阵对所述边界像素点所在的图像矩阵进行卷积，得到所述边界像素点的目标参数；其中，所述稀疏矩阵和所述图像矩阵具有相同的行数和列数；
根据所述目标参数，确定锐化方向和锐化系数；
根据所述锐化方向对应的目标参数和所述锐化系数对所述待锐化图像进行锐化处理，得到锐化图像。
可选地，所述待锐化图像的颜色空间为YUV格式。
可选地，所述将待锐化图像进行边缘检测，得到边界像素点，包括：
利用预设梯度算子计算得到所述待锐化图像中各像素点的初始梯度幅值；
判断各像素点的初始梯度幅值中是否存在大于预设阈值的目标梯度幅值；
如果存在，则确定所述目标梯度幅值对应的像素点为所述边界像素点。
可选地，所述利用预设梯度算子计算得到所述待锐化图像中各像素点的初始梯度幅值，包括：
针对每一个像素点，利用第一预设梯度算子计算该像素点的水平梯度幅值；
利用第二预设梯度算子计算该像素点的垂直梯度幅值；
将所述水平梯度幅值的绝对值和所述垂直梯度幅值的绝对值之和作为该像素点的初始梯度幅值。
可选地，所述稀疏矩阵和所述图像矩阵均为5*5的矩阵；
所述图像矩阵的中心像素点为所述边界像素点。
可选地，所述预设梯度角度包括0°、45°、90°、135°。
可选地，所述根据所述目标参数，确定锐化方向和锐化系数，包括：
针对每一个边界像素点，对各预设梯度角度对应的目标参数进行取绝对值运算并排序，确定绝对值最大的目标参数；
将对应所述绝对值最大的目标参数的预设梯度角度确定为锐化方向；
判断所述绝对值最大的目标参数是否大于零；
若是，则确定所述锐化系数为第一锐化系数；
若否，则确定所述锐化系数为第二锐化系数；其中，所述第二锐化系数大于所述第一锐化系数。
可选地，所述根据所述锐化方向对应的目标参数和所述锐化系数对所述待锐化图像进行锐化处理，得到锐化图像，包括：
针对每一个所述边界像素点，均执行：
确定所述待锐化图像中该边界像素点的初始Y亮度分量；
根据所述初始Y亮度分量、所述锐化方向对应的目标参数和所述锐化系数计算得到目标Y亮度分量；
将所述初始Y亮度分量更新为所述目标Y亮度分量，完成所述锐化处理。
可选地，所述稀疏矩阵通过至少两组样本集训练得到，每一组样本集中包括作为输入的待锐化图像以及作为输出的锐化图像和稀疏矩阵。
第二方面，本发明实施例还提供了一种图像锐化装置，包括：
检测模块，用于将待锐化图像进行边缘检测，得到边界像素点；
获取模块，用于确定对应预设梯度角度的稀疏矩阵；
卷积模块，根据所述稀疏矩阵对所述边界像素点所在的图像矩阵进行卷积，得到所述边界像素点的目标参数；其中，所述稀疏矩阵和所述图像矩阵具有相同的行数和列数；
确定模块，用于根据所述目标参数，确定锐化方向和锐化系数；
锐化模块，根据所述锐化方向对应的目标参数和所述锐化系数对所述待锐化图像进行锐化处理，得到锐化图像。
第三方面，本发明实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现上述任一项所述的图像锐化方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述任一项所述的图像锐化方法。
本发明实施例提供了一种图像锐化方法、装置、计算设备及存储介质，该方法先通过边缘检测，有效避免在图像平坦区域产生噪声，然后基于稀疏矩阵确定边界像素点的锐化方向，不仅极大地简化了锐化方向判定的计算过程，加快了运算速度，更有利于硬件实现，使得该图像锐化方法更高效；同时基于锐化系数进一步减少了过度锐化产生的白点和黑点，进一步提高锐化图像质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种图像锐化方法流程图；
图2是本发明一实施例提供的另一种图像锐化方法流程图；
图3是本发明一实施例提供的一张待锐化图像；
图4是本发明一实施例提供的一张锐化图像；
图5是本发明一实施例提供的一张锐化图像；
图6是本发明一实施例提供的一种计算设备的硬件架构图；
图7是本发明一实施例提供的一种图像锐化装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如前所述，拉普拉斯图像锐化算法利用当前像素相邻4个点或者8个点与当前像素的差值来做锐化，根据其特性，只会利用3*3的模板对图像进行锐化，因此其锐化能力有限，且会在图像平坦区域产生较多噪声，同时也会导致过度锐化，从而产生白点和黑点。USM(非锐化掩膜)算法需要进行高斯模糊得到钝化图片，然后再使用原始图像减去钝化图片得到高频分量，将该高频分量再加上原始图像得到锐化图片。虽然采用USM算法得到的锐化图像效果优于拉普拉斯图像锐化算法，但该过程中也会导致过度锐化而产生白点和黑点，同时其计算相对复杂，并不利硬件实现。有鉴于此，本发明采用稀疏矩阵，优化了锐化方向判定的计算过程，简化了该计算过程，进而加快了运算速度，并使得该计算过程能够使用硬件实现。
下面描述以上构思的具体实现方式。
请参考图1，本发明实施例提供了一种图像锐化方法，该方法包括：
步骤100，将待锐化图像进行边缘检测，得到边界像素点；
步骤102，确定对应预设梯度角度的稀疏矩阵；
步骤104，根据稀疏矩阵对边界像素点所在的图像矩阵进行卷积，得到边界像素点的目标参数；其中，稀疏矩阵和图像矩阵具有相同的行数和列数；
步骤106，根据目标参数，确定锐化方向和锐化系数；
步骤108，根据锐化方向对应的目标参数和锐化系数对待锐化图像进行锐化处理，得到锐化图像。
需要说明的是，稀疏矩阵一般定义为其矩阵中非零元素的个数远小于零元素的个数。
本发明实施例中，该图像锐化方法首先通过边缘检测，有效避免在图像平坦区域产生噪声，然后基于稀疏矩阵确定边界像素点的锐化方向，不仅极大地简化了锐化方向判定的计算过程，更有利于使用硬件实现，降低由硬件执行指令的复杂度，可以使用可编程逻辑电路(例如，可以为FPGA现场可编程逻辑阵列)实现该图像锐化方法；同时基于锐化系数进一步减少了过度锐化产生的白点和黑点，进一步提高锐化图像质量。
下面描述图1所示的各个步骤的执行方式。
首先，针对步骤100，将待锐化图像进行边缘检测，得到边界像素点，包括：
利用预设梯度算子计算得到待锐化图像中各像素点的初始梯度幅值；
判断各像素点的初始梯度幅值中是否存在大于预设阈值的目标梯度幅值；
如果存在，则确定目标梯度幅值对应的像素点为边界像素点。
在本步骤中，边缘检测可以使用任一边界检测算法子进行检测，故预设梯度算子可以为对应的任一算子，例如，预设梯度算子包括但不限于基于一阶导数的边缘检测算法Soble算子、利用局部差分算法寻找边缘的算法Roberts算子、利用一阶微分算子的边缘检测算子Prewitt算子、基于二阶微分的Laplacian算子。
需要说明的是，采用Soble算子时，预设梯度算子为
Figure BDA0003823033910000061
采用Roberts算子时，预设梯度算子为：
Figure BDA0003823033910000065
采用Prewitt算子时，预设梯度算子为：
Figure BDA0003823033910000062
采用Laplacian算子时，预设梯度算子可以为使用4邻域的算子：
Figure BDA0003823033910000063
预设梯度算子也可以为使用8邻域的算子：
Figure BDA0003823033910000064
而且，针对步骤100，待锐化图像的颜色空间为YUV格式。
在步骤100之前，还包括：当所述待锐化图像的颜色空间为RGB格式时，将所述待锐化图像的颜色空间转换为YUV格式。
在本发明中，图像锐化方法是基于YUV颜色空间的，而非RGB颜色空间，由于基于RGB颜色空间的图像在进行锐化时很容易导致色偏(即颜色失真)，而且基于RGB颜色空间的图像进行锐化需要把三个通道分别进行锐化。然而对于YUV颜色空间，基于人眼对亮度敏感而对色度不敏感的视觉特性，只需要对Y亮度分量进行锐化即可，因此便能减少大部分计算量，简化计算过程，进而更有利于硬件实现该图像锐化方法。需要说明的是，将RGB格式的图像转换为YUV格式的图像方法是公知的，本文不做赘述。
针对步骤100，利用预设梯度算子计算得到待锐化图像中各像素点的初始梯度幅值，包括：
针对每一个像素点，利用第一预设梯度算子计算该像素点的水平梯度幅值；
利用第二预设梯度算子计算该像素点的垂直梯度幅值；
将水平梯度幅值的绝对值和垂直梯度幅值的绝对值之和作为该像素点的初始梯度幅值。
现有技术中，采用预设梯度算子计算初始梯度幅值和梯度角度时涉及平方、平方根计算arctan值的计算，由于硬件系统较难计算平方、平方根和arctan值，因此在本步骤中对初始梯度幅值的计算进行了上述简化，从而有效地优化了边缘检测算法的计算过程，使其能够应用在硬件系统中简单高效地运行。
具体地，现有技术中初始梯度幅值的计算公式如下：
Figure BDA0003823033910000071
步骤100中，初始梯度幅值的计算公式如下：
G＝|Gx|+|Gy| (2)
其中，G用于表征初始梯度幅值，Gx用于表征水平梯度幅值，Gy用于表征垂直梯度幅值。
然后，针对步骤102，预设梯度角度包括0°、45°、90°、135°。
在一个优选的实施例中，预设梯度角度包括0°、45°、90°、135°、180°、225°、270°、315°、360°。
在本步骤中，每一个预设梯度角度均对应有稀疏矩阵，其中，稀疏矩阵中非零元素的排列方向与对应的预设梯度角度相同。而且，直接将梯度角度进行上述角度划分，更符合图像矩阵排列中各像素点间的位置角度关系，进一步简化图像锐化的处理过程，使该图像锐化方法更加简单高效。
针对步骤102，稀疏矩阵通过至少两组样本集训练得到，每一组样本集中包括作为输入的待锐化图像以及作为输出的锐化图像和稀疏矩阵。
在本发明中，稀疏矩阵是基于本发明的图像锐化方法通过大量历史样本集训练得到的，而且样本集中的锐化图像为无白点、无黑点的高质量锐化图像。
针对步骤104，稀疏矩阵和图像矩阵均为5*5的矩阵；
图像矩阵的中心像素点为边界像素点。
需要说明的是，图像矩阵是待锐化图像中以边界像素点为中心的5*5的图像块。
在本步骤中，与现有技术中采用3*3的卷积核相比，本发明采用5*5的卷积核，其识别效率更高，准确率的上升速度更快，更能准确把握待锐化图像的本质特征和局部特征，进而保真锐化图像具有高质量。
在一个优选的实施例中，预设梯度角度包括0°、45°、90°、135°，经样本集训练得到的对应预设梯度角度为0°的稀疏矩阵M0为：
Figure BDA0003823033910000081
对应预设梯度角度为45°的稀疏矩阵M45为：
Figure BDA0003823033910000082
对应预设梯度角度为90°的稀疏矩阵M90为：
Figure BDA0003823033910000083
对应预设梯度角度为135°的稀疏矩阵M135为：
Figure BDA0003823033910000084
根据上述四个稀疏矩阵分别对以边界像素点所在的5*5的图像矩阵进行卷积，分别得到边界像素点的四个目标参数f0、f1、f2、f3；其中，目标参数采用如下公式计算得到：
f0＝M00*PIC[i-2：i+2，j-2：j+2] (3)
f1＝M45*PIC[i-2：i+2，j-2：j+2] (4)
f2＝M90*PIC[i-2：i+2，j-2：j+2] (5)
f3＝M135*PIC[i-2：i+2，j-2：j+2] (6)
其中，PIC[i-2:i+2,j-2:j+2]用于表示以(i,j)为中心的5*5的图像矩阵；(i,j)用于表示边界像素点在待锐化图像中的位置坐标；*用于表示卷积操作。具体地，将待锐化图像最左上的像素点作为(0,0)点，最右下的像素点作为(pic_height-1,pic_width-1)，(i,j)则为待锐化图像中某一相对位置(i,j)的像素点的位置坐标。
针对步骤106，根据目标参数，确定锐化方向和锐化系数，包括：
针对每一个边界像素点，对各预设梯度角度对应的目标参数进行取绝对值运算并排序，确定绝对值最大的目标参数；
将对应绝对值最大的目标参数的预设梯度角度确定为锐化方向；
判断绝对值最大的目标参数是否大于零；
若是，则确定锐化系数为第一锐化系数；
若否，则确定锐化系数为第二锐化系数；其中，第二锐化系数大于第一锐化系数。
在步骤106中，首先基于各预设梯度角度对应的目标参数确定锐化方向，避免了arctan值的计算，进一步简化图像锐化的处理过程，更加简单高效，有利于硬件实现。锐化系数是基于人眼视觉特性设置的，基于人眼对暗区敏感、对亮区不敏感的特性，而根据目标参数的大小进一步确定该锐化系数，不仅使得锐化处理后的图像更符合人眼视觉特性，还增强了图像细节并避免了噪声的增强，可以有效减少白点和黑点的产生而不影响锐化效果。
在一个优选的实施例中，所述第一锐化系数为1/4，所述第二锐化系数为1/2。由于1/4、1/2仅用移位就能实现，如此设置更有利于使用可编程逻辑电路来实现，而且能够有效减少白点和黑点的产生而不影响最终图像的锐化效果。
针对步骤108，根据锐化方向对应的目标参数和锐化系数对待锐化图像进行锐化处理，得到锐化图像，包括：
针对每一个边界像素点，均执行：
确定待锐化图像中该边界像素点的初始Y亮度分量；
根据初始Y亮度分量、锐化方向对应的目标参数和锐化系数计算得到目标Y亮度分量；
将初始Y亮度分量更新为目标Y亮度分量，完成锐化处理。
具体地，所述目标Y亮度分量采用如下公式计算得到：
Yout＝Yin+fmax*α (7)
其中，Yout用于表征目标Y亮度分量；Yin用于表征初始Y亮度分量；fmax用于表征锐化方向对应的目标参数；α用于表征锐化系数。
在本发明中，基于人眼视觉特性，仅对Y亮度分量进行锐化，并将锐化方向对应的目标参数和锐化系数乘积与初始Y亮度分量之和作为锐化处理后的锐化图像中该边界像素点的Y亮度分量，不仅减少了计算量，还能有效地减少过度锐化产生的白点和黑点，提高锐化图像的质量。
为了更加清楚地说明本发明的技术方案及优点，如图2所示，下面对本发明实施例提供的一种图像锐化方法进行详细的说明，具体包括：
步骤200：当待锐化图像的颜色空间为RGB格式时，将待锐化图像的颜色空间转换为YUV格式。
步骤201：利用预设梯度算子计算得到待锐化图像中各像素点的初始梯度幅值。
具体地，针对每一个像素点，采用Soble算子，预设梯度算子为
Figure BDA0003823033910000101
利用第一预设梯度算子dx计算该像素点的水平梯度幅值Gx；
利用第二预设梯度算子dy计算该像素点的垂直梯度幅值Gy；
将水平梯度幅值Gx的绝对值和垂直梯度幅值Gy的绝对值之和作为该像素点的初始梯度幅值G，计算公式为公式(2)。
步骤202：从各像素点的初始梯度幅值中筛选出大于预设阈值的目标梯度幅值，并确定目标梯度幅值对应的像素点为边界像素点。
步骤203：预设梯度角度包括0°、45°、90°、135°，确定对应各预设梯度角度的稀疏矩阵。
具体地，经样本集训练得到的对应预设梯度角度为0°的稀疏矩阵M0为：
Figure BDA0003823033910000111
对应预设梯度角度为45°的稀疏矩阵M45为：
Figure BDA0003823033910000112
对应预设梯度角度为90°的稀疏矩阵M90为：
Figure BDA0003823033910000113
对应预设梯度角度为135°的稀疏矩阵M135为：
Figure BDA0003823033910000114
步骤204：针对每一个边界像素点，根据稀疏矩阵对边界像素点所在的图像矩阵进行卷积，得到该边界像素点的目标参数。
具体地，图像矩阵为待锐化图像中以边界像素点为中心的5*5的图像块。根据上述四个稀疏矩阵分别对以边界像素点所在的5*5的图像矩阵进行卷积，由如前所述的公式(3)至(6)分别得到边界像素点的四个目标参数f0、f1、f2、f3。
步骤205：对各预设梯度角度对应的目标参数进行取绝对值运算并排序，确定绝对值最大的目标参数。
步骤206：将对应绝对值最大的目标参数的预设梯度角度确定为锐化方向。
步骤207：判断绝对值最大的目标参数是否大于零，若是，则执行步骤208；否则执行步骤209。
步骤208：确定锐化系数为第一锐化系数1/4。
步骤209：确定锐化系数为第二锐化系数1/2。
步骤210：确定待锐化图像中该边界像素点的初始Y亮度分量。
步骤211：根据初始Y亮度分量、锐化方向对应的目标参数和锐化系数计算得到目标Y亮度分量。
步骤212：将初始Y亮度分量更新为目标Y亮度分量，完成该边界像素点的锐化处理。
具体地，重复步骤204至212，完成对所有边界像素点的锐化处理，进而得到锐化图像。
在本发明实施例中，以lenna原图(如图3所示)为待锐化图像，采用拉普拉斯图像锐化算法对其进行锐化处理，得到如图4所示的锐化图像；而采用如图2所示的图像锐化方法对其进行锐化处理，得到如图5所示的锐化图像。通过对比图4和图5可以发现，采用本发明提供的图像锐化方法得到的锐化图像质量更高，锐化中基本没有产生白点和黑点。
如图6、图7所示，本发明实施例提供了一种图像锐化装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图6所示，为本发明实施例提供的一种图像锐化装置所在计算设备的一种硬件架构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的计算设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图7所示，作为一个逻辑意义上的装置，是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种图像锐化装置，包括：检测模块700、获取模块702、卷积模块704、确定模块706和锐化模块708；
检测模块700，用于将待锐化图像进行边缘检测，得到边界像素点；
获取模块702，用于确定对应预设梯度角度的稀疏矩阵；
卷积模块704，根据稀疏矩阵对边界像素点所在的图像矩阵进行卷积，得到边界像素点的目标参数；其中，稀疏矩阵和图像矩阵具有相同的行数和列数；
确定模块706，用于根据目标参数，确定锐化方向和锐化系数；
锐化模块708，根据锐化方向对应的目标参数和锐化系数对待锐化图像进行锐化处理，得到锐化图像。
在一些具体的实施方式中，检测模块700可用于执行上述步骤100，获取模块702可用于执行上述步骤102，卷积模块704可用于执行上述步骤104，确定模块706可用于执行上述步骤106，锐化模块708可用于执行上述步骤108。
在一些具体的实施方式中，检测模块700用于执行如下操作：
利用预设梯度算子计算得到待锐化图像中各像素点的初始梯度幅值，包括：
针对每一个像素点，利用第一预设梯度算子计算该像素点的水平梯度幅值；
利用第二预设梯度算子计算该像素点的垂直梯度幅值；
将水平梯度幅值的绝对值和垂直梯度幅值的绝对值之和作为该像素点的初始梯度幅值；
判断各像素点的初始梯度幅值中是否存在大于预设阈值的目标梯度幅值；
如果存在，则确定目标梯度幅值对应的像素点为边界像素点。
在一些具体的实施方式中，确定模块706用于执行如下操作：
针对每一个边界像素点，对各预设梯度角度对应的目标参数进行取绝对值运算并排序，确定绝对值最大的目标参数；
将对应绝对值最大的目标参数的预设梯度角度确定为锐化方向；
判断绝对值最大的目标参数是否大于零；
若是，则确定锐化系数为第一锐化系数；
若否，则确定锐化系数为第二锐化系数；其中，第二锐化系数大于第一锐化系数。
在一些具体的实施方式中，锐化模块708用于执行如下操作：
针对每一个边界像素点，均执行：
确定待锐化图像中该边界像素点的初始Y亮度分量；
根据初始Y亮度分量、锐化方向对应的目标参数和锐化系数计算得到目标Y亮度分量；
将初始Y亮度分量更新为目标Y亮度分量，完成锐化处理。
可以理解的是，本发明实施例示意的结构并不构成对一种图像锐化装置的具体限定。在本发明的另一些实施例中，一种图像锐化装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种图像锐化方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种图像锐化方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种图像锐化方法，其特征在于，包括：
将待锐化图像进行边缘检测，得到边界像素点；
确定对应预设梯度角度的稀疏矩阵；
根据所述稀疏矩阵对所述边界像素点所在的图像矩阵进行卷积，得到所述边界像素点的目标参数；其中，所述稀疏矩阵和所述图像矩阵具有相同的行数和列数；
根据所述目标参数，确定锐化方向和锐化系数；
根据所述锐化方向对应的目标参数和所述锐化系数对所述待锐化图像进行锐化处理，得到锐化图像。
2.根据权利要求1所述的方法，其特征在于，
所述待锐化图像的颜色空间为YUV格式；
和/或，
所述将待锐化图像进行边缘检测，得到边界像素点，包括：
利用预设梯度算子计算得到所述待锐化图像中各像素点的初始梯度幅值；
判断各像素点的初始梯度幅值中是否存在大于预设阈值的目标梯度幅值；
如果存在，则确定所述目标梯度幅值对应的像素点为所述边界像素点。
3.根据权利要求2所述的方法，其特征在于，所述利用预设梯度算子计算得到所述待锐化图像中各像素点的初始梯度幅值，包括：
针对每一个像素点，利用第一预设梯度算子计算该像素点的水平梯度幅值；
利用第二预设梯度算子计算该像素点的垂直梯度幅值；
将所述水平梯度幅值的绝对值和所述垂直梯度幅值的绝对值之和作为该像素点的初始梯度幅值。
4.根据权利要求1所述的方法，其特征在于，
所述稀疏矩阵和所述图像矩阵均为5*5的矩阵；
所述图像矩阵的中心像素点为所述边界像素点；
和/或，
所述预设梯度角度包括0°、45°、90°、135°。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标参数，确定锐化方向和锐化系数，包括：
针对每一个边界像素点，对各预设梯度角度对应的目标参数进行取绝对值运算并排序，确定绝对值最大的目标参数；
将对应所述绝对值最大的目标参数的预设梯度角度确定为锐化方向；
判断所述绝对值最大的目标参数是否大于零；
若是，则确定所述锐化系数为第一锐化系数；
若否，则确定所述锐化系数为第二锐化系数；其中，所述第二锐化系数大于所述第一锐化系数。
6.根据权利要求2所述的方法，其特征在于，所述根据所述锐化方向对应的目标参数和所述锐化系数对所述待锐化图像进行锐化处理，得到锐化图像，包括：
针对每一个所述边界像素点，均执行：
确定所述待锐化图像中该边界像素点的初始Y亮度分量；
根据所述初始Y亮度分量、所述锐化方向对应的目标参数和所述锐化系数计算得到目标Y亮度分量；
将所述初始Y亮度分量更新为所述目标Y亮度分量，完成所述锐化处理。
7.根据权利要求1至6中任一所述的方法，其特征在于，
所述稀疏矩阵通过至少两组样本集训练得到，每一组样本集中包括作为输入的待锐化图像以及作为输出的锐化图像和稀疏矩阵。
8.一种图像锐化装置，其特征在于，包括：
检测模块，用于将待锐化图像进行边缘检测，得到边界像素点；
获取模块，用于确定对应预设梯度角度的稀疏矩阵；
卷积模块，根据所述稀疏矩阵对所述边界像素点所在的图像矩阵进行卷积，得到所述边界像素点的目标参数；其中，所述稀疏矩阵和所述图像矩阵具有相同的行数和列数；
确定模块，用于根据所述目标参数，确定锐化方向和锐化系数；
锐化模块，根据所述锐化方向对应的目标参数和所述锐化系数对所述待锐化图像进行锐化处理，得到锐化图像。
9.一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。
CN202211048198.1A 2022-08-30 2022-08-30 一种图像锐化方法、装置、计算设备及存储介质 Pending CN115330637A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211048198.1A CN115330637A (zh) 2022-08-30 2022-08-30 一种图像锐化方法、装置、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211048198.1A CN115330637A (zh) 2022-08-30 2022-08-30 一种图像锐化方法、装置、计算设备及存储介质

Publications (1)

Publication Number Publication Date
CN115330637A true CN115330637A (zh) 2022-11-11

Family

ID=83927714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211048198.1A Pending CN115330637A (zh) 2022-08-30 2022-08-30 一种图像锐化方法、装置、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN115330637A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228586A (zh) * 2023-03-14 2023-06-06 朱桂湘 基于遍历处理的锐化算法选择系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228586A (zh) * 2023-03-14 2023-06-06 朱桂湘 基于遍历处理的锐化算法选择系统
CN116228586B (zh) * 2023-03-14 2023-09-08 深圳市合西科技有限公司 基于遍历处理的锐化算法选择系统

Similar Documents

Publication Publication Date Title
CN108229490B (zh) 关键点检测方法、神经网络训练方法、装置和电子设备
CN108805023B (zh) 一种图像检测方法、装置、计算机设备及存储介质
US10580120B2 (en) Image filtering based on image gradients
US7149355B2 (en) Image processing apparatus, image processing method, image processing program, and computer-readable record medium storing image processing program
JP2010525486A (ja) 画像分割及び画像強調
US8983199B2 (en) Apparatus and method for generating image feature data
JP2002503840A (ja) 勾配ベースの局部輪郭線検出のための新しい知覚的しきい値決定
CN109903294B (zh) 图像处理方法、装置、电子设备及可读存储介质
CN110969046B (zh) 人脸识别方法、设备及计算机可读存储介质
CN113362238A (zh) 测试图像处理方法、装置、电子设备及存储介质
CN115578289A (zh) 一种基于边界邻域梯度差值的散焦图像去模糊方法
CN115330637A (zh) 一种图像锐化方法、装置、计算设备及存储介质
JP3438440B2 (ja) 画像処理装置
CN114943649A (zh) 图像去模糊方法、装置及计算机可读存储介质
JP2017085570A (ja) 画像補正方法及び画像補正装置
CN111311610A (zh) 图像分割的方法及终端设备
CN115564727A (zh) 一种爆光显影异常缺陷检测方法及系统
CN110705568B (zh) 一种图像特征点提取的优化方法
JP4104475B2 (ja) 輪郭補正装置
CN114663681A (zh) 用于对指针式仪表进行读数的方法及其相关产品
CN111476800A (zh) 一种基于形态学操作的文字区域检测方法及装置
JP2013182416A (ja) 特徴量抽出装置、特徴量抽出方法及び特徴量抽出プログラム
JP4883030B2 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
JP2010072901A (ja) 画像処理装置およびその方法
JP6139608B2 (ja) 文書画像の再現のための擬似スケルトンに基づく画像エンハンスメント

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination