1. 拉普拉斯算子

1.1 简介

一种典型的各向同性的微分算子，可用于检测图像中灰度图片的区域

$$ \nabla^{2} f=\frac{\partial^{2} f}{\partial x^{2}}+\frac{\partial^{2} f}{\partial y^{2}} $$

根据上述的差分近似可以推导出

$$ \nabla^{2} f(x, y)=f(x+1, y)+f(x-1, y)+f(x, y+1)+f(x, y-1)-4 f(x, y) $$

1.2 锐化过程

使用拉普拉斯过滤器得到图像中灰度突变的区域$\nabla^{2} f(x, y)$
使用原图像加上$\nabla^{2} f(x, y)$，如下

$$ g(x, y)=f(x, y)+c\left[\nabla^{2} f(x, y)\right] $$

其中c为可变参数

2. 测试

图源自skimage

3. 代码

 1 import numpy as np
 2 
 3 
 4 def laplace_sharpen(input_image, c):
 5     '''
 6     拉普拉斯锐化
 7     :param input_image: 输入图像
 8     :param c: 锐化系数
 9     :return: 输出图像
10     '''
11     input_image_cp = np.copy(input_image)  # 输入图像的副本
12 
13     # 拉普拉斯滤波器
14     laplace_filter = np.array([
15         [1, 1, 1],
16         [1, -8, 1],
17         [1, 1, 1],
18     ])
19 
20     input_image_cp = np.pad(input_image_cp, (1, 1), mode='constant', constant_values=0)  # 填充输入图像
21 
22     m, n = input_image_cp.shape  # 填充后的输入图像的尺寸
23 
24     output_image = np.copy(input_image_cp)  # 输出图像
25 
26     for i in range(1, m - 1):
27         for j in range(1, n - 1):
28             R = np.sum(laplace_filter * input_image_cp[i - 1:i + 2, j - 1:j + 2])  # 拉普拉斯滤波器响应
29 
30             output_image[i, j] = input_image_cp[i, j] + c * R
31 
32     output_image = output_image[1:m - 1, 1:n - 1]  # 裁剪
33 
34     return output_image