锐化滤波器和边缘检测核的关系?
The sharpening filter and edge detection kernel relationship?
来自Wikipedia:
(The sharpening filter) is obtained by taking the identity kernel and subtracting an edge detection kernel
谁能解释一下是怎么回事。
据我了解,要获得锐化图像,您需要拍摄原始图像并为其添加高对比度边缘。
他们甚至以矩阵为例:
应该矩阵
0 -1 0
-1 4 -1
0 -1 0
是边缘检测内核,根据another Wikipedia文章?所以,数学应该是加法,而不是减法。
无论如何,我在这里有点困惑,需要一些帮助。谢谢!
正如所指出的,需要区分一阶导数(边)和二阶导数(脊、峰)。
您不谈论它,但您 link 阅读了一篇关于“模糊掩蔽”的文章。那应该使用 difference of gaussians... 这是 接近 拉普拉斯算子(...高斯算子)。不完全相同,但几乎相同。
这意味着您实际上并没有处理边缘,而是 ridges/peaks。
至于内核及其符号......维基百科一如既往地神秘和误导。
他们减去拉普拉斯算子,因为他们不得不这样做。拉普拉斯算子对 peaks/ridges 的响应为 negative。从概念上讲,您 添加 一个 edge/ridge 检测过滤器...如果它是一个的话。
您看到的内核看起来像一顶倒置的墨西哥帽子。它是“高斯的拉普拉斯算子”。这意味着它是高斯核的二阶导数。作为二阶导数,它对 负 响应 peak/ridge,例如的高斯。
这是高斯分布图及其一阶和二阶导数:
由于您希望 ridge/peak 检测过滤器对正面 ridge/peak 有 正面 响应,您将使用 求反二阶导数,然后加上即
看看这些图片:
[-1 +5 -1]
内核,即identity - laplacian = identity + filter
- 图片本身
[+1 -3 +1]
kernel,即identity + laplacian = identity - filter
你看,#3 看起来很模糊,因为一些高频被减去了。
来自Wikipedia:
(The sharpening filter) is obtained by taking the identity kernel and subtracting an edge detection kernel
谁能解释一下是怎么回事。 据我了解,要获得锐化图像,您需要拍摄原始图像并为其添加高对比度边缘。 他们甚至以矩阵为例:
应该矩阵
0 -1 0
-1 4 -1
0 -1 0
是边缘检测内核,根据another Wikipedia文章?所以,数学应该是加法,而不是减法。
无论如何,我在这里有点困惑,需要一些帮助。谢谢!
正如所指出的,需要区分一阶导数(边)和二阶导数(脊、峰)。
您不谈论它,但您 link 阅读了一篇关于“模糊掩蔽”的文章。那应该使用 difference of gaussians... 这是 接近 拉普拉斯算子(...高斯算子)。不完全相同,但几乎相同。
这意味着您实际上并没有处理边缘,而是 ridges/peaks。
至于内核及其符号......维基百科一如既往地神秘和误导。
他们减去拉普拉斯算子,因为他们不得不这样做。拉普拉斯算子对 peaks/ridges 的响应为 negative。从概念上讲,您 添加 一个 edge/ridge 检测过滤器...如果它是一个的话。
您看到的内核看起来像一顶倒置的墨西哥帽子。它是“高斯的拉普拉斯算子”。这意味着它是高斯核的二阶导数。作为二阶导数,它对 负 响应 peak/ridge,例如的高斯。
这是高斯分布图及其一阶和二阶导数:
由于您希望 ridge/peak 检测过滤器对正面 ridge/peak 有 正面 响应,您将使用 求反二阶导数,然后加上即
看看这些图片:
[-1 +5 -1]
内核,即identity - laplacian = identity + filter- 图片本身
[+1 -3 +1]
kernel,即identity + laplacian = identity - filter
你看,#3 看起来很模糊,因为一些高频被减去了。