数字图像边缘增强图像锐化毕业论文.docx

1、数字图像边缘增强 中文摘要随着技术的发展和人们生活水平的不断提高，数字图像作为记录和传达信息的一种媒介，在人们生活和生产中扮演者越来越重要的角色。随着数字图像的不断进步发展和成熟，数字图像不仅在日常生活的摄影，平面设计，传媒发挥自己的作用，也会更多地在航天航空，刑事侦查，精密医疗仪器等更加重要的研究领域起到更大的作用。于是，不断学习和探索各种数字图像处理技术，对准确运用各种数字图像更好地服务于生产生活，愈发显得重要。而数字图像边缘增强是数字图像处理技术里面重要的一种，是一种提高图像清晰度的重要方法之一。经实例检测，该图像边缘增强算法可以有效提高图像的清晰度，同时有效避免图像噪点的增强。关键词：

2、数字图像，边缘增强，清晰度 ABSTRACTWith the development of technology and peoples living standard, as a way of recording and conveying information, digital images play an important rolein peoples daily life and production. with the development and maturity of digital image, digital imagesare not only applied in

3、photography, graphic design, media, but alsoplay a greater role in aerospace, criminal investigation, precision medical instruments or other important fileds.In this case, learning and exploration of the processing techniques of digital image, and how to use various digital images properly to serve

4、forour daily life and production, arebecoming more and more important.As we all know,the digital image edge enhancement is one of the most important digital image processingtechnology,which is an inportant approach to improve the image definition.After testing, the algorithm of image edge enhancemen

5、t can effectively improve the clarity of image, and effectively avoid the enhancement of image noise.Key Words：digital image，enhancement of image edge，clarity目录第一章 导论41.1 课题背景41.2 课题意义41.3 研究内容方法步骤51.4 论文的创新5第二章 图像边缘检测62.1 图像边缘检测方法概述62.2 Roberts边缘检测72.3 Prewitt边缘检测82.4 Sobel边缘检测92.5 Laplacian边缘检测92.

6、6 Canny边缘检测算子11第三章 实例检测与算法优化133.1 实例检测与对比133.1.2 对比总结153.2 基于Sobel算子的算法优化173.2.1 八方向Sobel算子173.2.2 去除图像中的椒盐噪声183.2.3 抑制图像中的高斯噪声19第四章 Photoshop中锐化工具使用探索224.1 Photoshop中常用的锐化工具224.2 USM锐化滤镜探索224.2.1 数量224.2.2 半径274.2.3 阀值304.2.4 有关数量、半径、阀值的总结31附录33参考文献38致谢39第一章 导论1.1 课题背景图像是人类记录生活，传达信息非常重要的媒介和手段。人类的的大

7、部分信息需要通过图像传递。在人类的文明历史中，图像的产生一开始源自于人类的作画，到后来的胶片摄影，再到现在的数码摄影。尽管数码摄影和数字图像不过是近几十年的事，但却在发展上取得翻天覆地的成就，极大地改变了人们的生活生产习惯。所谓数字图像边缘增强，也就是数字图像锐化，是数字图像处理的最基本的方法之一。图像锐化，在日常生活生产中有着非常广泛的应用，从数码影像和医学成像到工业检测和军事系统的的制导，等等。但是数字图像可能会被噪声污染，如传感器损坏或者拍摄光线不足等因素，使其转换后的数字图像质量下降。图像在传输，缩小，数字印刷过程中，也会不可避免地出现清晰度下降的问题。因此，增强图像的边缘显得非常重要

8、，它可以使图像更加清晰，更符合人们的视觉习惯。另外，图像经过锐化处理后，目标物体区域的边缘更加明显，有利于对目标的边缘进行、对图像进行分割和区域形状识别等，为进一步的图像理解与分析奠定基础。1.2 课题意义任何改变原始数字图像的算法，都会不可避免地对原始图像产生负面影响。数字图像边缘增强技术，会在一定程度造成图像失真，噪点增多，伪色增强，而且这种改变是不可逆转的。因此，一个好的图像边缘增强算法，需要恰到好处地锐化图像（锐化程度不够会达不到目的，锐化过度会使图像严重失真，产生不自然感），同时把对图像的造成负面影响降到最低程度。尽管现在的图像算法已经相当完善，图像锐化算法还会向更加准确，更加高效，

9、最低程度损伤的目标发展。虽然我们经常研究自己的锐化算法，但无疑最常用的锐化工具是Photoshop。因此，探讨如何正确运用Photoshop来锐化数字图像，对我们理解和认识数字图像边缘增强都有很大帮助。1.3 研究内容方法步骤此次设计研究的主要内容有：1、边缘检测：解目前图像边缘检测方法的现状。详细了解各种图像边缘检测方法，理解它们的实现的原理，并尝试比较，总结它们的不同。2、实例检测和算法改进：实例检测，改进锐化算法，优化边缘检测和边缘增强方式，尽可能地减少噪声对图像的不良影响。3、Photoshop锐化工具使用：Photoshop中的锐化工具有很多种，通过对比，分析它们的不同，并总结出它们

10、的使用技巧。研究方法步骤：1、算法编写和实验检测过程中用的软件工具主要是Matlab和Adobe Photoshop cs6 。2、在试验中主要使用的方法是实例检测和对比分析的方法。1.4 论文的创新一般的锐化算法，有时会过度追求锐化效果，而忽略给图像带来过大噪声。这种做法可谓顾此失彼，得不偿失。有的锐化算法却又会过于谨慎，害怕会矫枉过正而仅仅是对图像稍稍锐化，达不到预想的效果。而且数字图像有各种各样，各自的特点也不一样，想找出一种适合所有图像的锐化算法是不现实的。在这种情况下，本人将在总结不同算子算法的优缺点，并尝试找出最优最合适的算法，准确查找图像边缘，最小程度地避免噪声的产生。并探讨不同

11、图像在锐化过程中的不同表现。另外，此文还增加了对Photoshop中锐化工具使用的探索，学习掌握锐化工具的正确使用方法，加深对图像边缘增强的理解和认识。第二章 图像边缘检测2.1 图像边缘检测方法概述边缘是图像最基本的一种特征，所以图像边缘检测是图像数字处理的主要内容之一。图像边缘对人的视觉中起到很大的作用，一般来说，人看一个有边缘的物体时，最先感觉到的便是物体的边缘轮廓。图像边缘是一个区域的结束的边界，也是另一个区域的开始边界。要增强数字图像边缘，要做的第一项工作便是先找出图像的边缘。数字图像处理技术经过近几十年的发展，已经有许多的边缘检测算法和一些经过改进的边缘检测算子算法。但每种算子都会

12、有自己的优劣和适用范围，理解它们之间的不同特性很重要。本文侧重对一些比较经典的边缘检测算子进行原理分析、实例检测并对各自性能做出对比和总结，以便实际应用中更出色地发挥各自优点，为探索新的方法提供衡量尺度和改进参考。边缘上的灰度变化可以通过微分算子来检测，通常用一阶导数或者二阶导数来侦测边缘。如下图所示，不同地方是一阶导数以最大值来对应边缘方位，而二阶导数则以过零点处来对应边缘方位，因此常常使用微分算子进行边缘检测。（a）图像灰度变化 （b）对应的一阶导数 （c）对应的二阶导数图2-1设一个给定的图像函数f（x，y），在像素点坐标（x，y）的梯度可以定义为 一个矢量： (2.01)梯度的幅度为：

13、 (2.02)向量的角度为： （2.03）基于一阶导数的边缘检测算子的有Roberts算子、Prewitt算子和Sobel算子等，在算法实现过程中，以或模板与该图像的每个像素点做卷积和计算，再选取恰当的阈值来确认边缘。二阶导数算子法有Laplacian算子等。2.2 Roberts边缘检测Roberts图像边缘检测是由RobertS提出的一种利用局部差分算子来寻找边缘的算子，它在2*2邻域上计算对角导数： （2.04）因此又被称为Roberts交叉算子。但由于在实际的图像处理过程中运算量会非常大，开方平方运算也更为复杂。例如，对于一张512*512的图像，就大约有26万个像素点需要进行梯度计算

14、。因此，为简化运算，通常会使用梯度差值的绝对值之和来近似表示： （2.05）或者用两者中的最大值来表示： （2.06）使用卷积模板，上式变为： （2.07）其中和由图3.2的模板计算：100-101-10（a）对角导数 （b）对角导数图2-2 Roberts 边缘检测模板Roberts算子是该点连续梯度的近似值，而不是所预期点处的近似值。由上面两个卷积算子对图像运算后，代入(2.07)式，可求得图像的梯度幅度值。然后选取适当的阀值T，作如下判断: （2.08）也就是说，事先设定一个非负阀值T，如果梯度值大于或者等于T，则用计算得出的梯度值来作为该点的新的灰度值，如果梯度值小于T，则保留原来的值

15、f（x，y）。这样就可以通过选择合适的阀值T，在破坏图像平滑区域和有效增强图像边缘之间找到平衡。另外，如果只想突出图像的边缘位置，可以只两个灰度级，即黑和白，得到二值图像，表达式为： （2.09）2.3 Prewitt边缘检测边缘检测使用的方法是微分处理，由于它检测的是灰阶变化，必然会对噪声和图像的阶梯式灰度变化都有所响应。鉴于采用3x3邻域能够避免在像素之间内插点计算梯度，可以设计出如下图2-3中点周围点的排列。当我们将垂直模板扩展成三行，水平模板扩展成三列，就可以得到Prewitt算子。它由两个模板组成的。其卷积模板如图2-3所示：-1-1-1000111 10-110-110-1（1）水

16、平边缘 （2）垂直边缘图2-3 Prewitt边缘检测算子模板Prewitt算子的边缘梯度和边缘方向角度同样可以分别用式子（2.01）和（2.02）来表示。当用两个模板组成边缘检测器时，通常取较大的幅度作为输出值，这使得它们对边缘的走向有些敏感。取它们的平方和的开方可以获得性能更一致的全方位的响应，这与真实的梯度值更接近。2.4 Sobel边缘检测如果将两个Prewitt算子模板中心像素周围的权重取两倍的值，就可以得到有名的Sobel算子，它可以看做是Prewitt算子的一种优化。它就是如此排列的一种梯度幅值：(2.10)其中： (2.11) (2.12)与其他的梯度算子一样，与，可通过图2-

17、3卷积模板来实现：-1-2-100012110-120-210-1图2-4 Sobel边缘检测算子模板Sobel算子通过运用像素点上下、左右相邻点的灰度加权算法，并通过计算在边缘点处达到极值，进行边缘检测。Sobel算子比较易于在空间上实现，Sobel边缘检测器不仅能达到较好的边缘检测效果，而且因为Sobel算子引入了局部平均，因此Sobel算子对噪声具有平滑作用，其受到噪声的影响也相对较小。当取较大的邻域时，算法的抗噪声性能会更好，只是这样会增加计算量，得到的边缘也会不够精确。但是，正是受到局部平均的影响，它亦会检测出伪边缘，而且边缘定位不够精确，所以当检测精度要求不是很高的，这是一种可以选

18、择的方法。2.5 Laplacian边缘检测对于阶跃状边缘，其二阶导数在边缘点出现过零点，即边缘点两侧的二阶导数取异号，据此可用二阶导数来检测边缘位置。拉普拉斯边缘检测算子即是一种对二元函数进行二阶导数运算的算子，其定义为： (2.13)其中称为拉普拉斯算子，拉普拉斯算子也是一种各向同行的算子，因此它也可以用来增强图像的边缘。对于数字图像，其一阶偏导数为： (2.14) (2.15)那么，其二阶偏导数为： (2.16) (2.17)由以上式子可得： (2.18)拉普拉斯算子的模板如图2-5，模板的基本特征是中心位置系数为正，其它位置的系数为零或者负，且所有系数之和为零。拉普拉斯检测模板的特性是

19、各向同性，对孤立点及线性边缘检测效果良好，但容易丢失边缘方向信息。注意到与Sobel算子等一阶算子相比，因拉普拉斯算子对噪声更敏感，对图像进行处理时，会使得噪声成分加强。0-10-14-10-10图2-5 Laplacian边缘检测算子模板这是一种空间滤波的形式，只要适当地选择模板系数，就可以组成不同的高通滤波器，从而使边缘得到期望的增强，常用的模板还有：-1-1-1-18-1-1-1-11-21-24-21-21图2-6Laplacian边缘检测算子的其他模板2.6 Canny边缘检测算子边缘检测的基本问题是边缘检测精度与抑制噪声性能之间的矛盾。由于图像边缘和噪声都是频域中的高频分量，简单的

20、微分运算会增强图像中的噪声。因此，在微分运算之前应该加入适当的平滑滤波以降低高频分量重噪声的影响。Canny算子尝试在避免增强噪声的同时，提高边缘检测精度。Canny算子用一个准高斯函数做平滑运算，再以带方向的一阶微分定位导数的最大值。它可用高斯函数的梯度来近似表示，是一种带有平滑功能的一阶微分算子。Canny算子有三个评价边缘检测性能的优劣的指标：良好的信噪比，即降低边缘点漏检和非边缘点误判的概率；良好的边缘定位性能，即检测出的边缘要尽可能在实际边缘的中心；减少单边缘的多重响应，虚假边缘响应得到最大抑制。Canny算子指出高斯算子对图像平滑处理是最优的，其算子为： （2.19）在某一方向n上

21、的一阶方向导数为： （2.20）其中 （2.21）其中n是方向矢量，是梯度矢量。将输入图像与做卷积运算，当n是边缘的法向量时（也就是垂直于检测边缘的方向），*取得最大值，即： （2.22）对应的方向向量n为： （2.23） 根据Canny算子的定义，中心边缘点是和输入图像的卷积在边缘梯度方向上的区域中取得最大值，因此，可以依据判断该点的强度是否为其邻域中的最大值来确定其是否是边缘点。当一个像素点满足下面三个条件时，则被认为是图像的边缘点：1)、该点的边缘强度要大于沿该点梯度方向的两个相邻像素点的边缘强度；2)、与该点梯度方向上相邻两个像素点的方向差小于；3)、以该点为中心的3*3邻域中的边缘强

22、度极大值小于某个设定的阀值。第三章 实例检测与算法优化3.1 实例检测与对比为了分析上述几种算子的效果，本次实例检测用Matlab对图像test3.jpg以及分别加入高斯噪声和椒盐噪声后的图像进行检测。尽量设置较低的阀值，使得图像中所有的边缘都能够被检测出来。仿真实验结果如下，代码详见附录一：图3-1对图像局部放大并分别截取高反差区域和地低反差区域进行进行对比：图3-2 高反差区域对比图3-3 低反差区域对比可以看出，在设置较小的阀值时候，各算子检测边缘的效果都不错，高反差区域的边缘都能全部检测出来，Roberts算子的边缘显得比较比较粗糙，Sobel算子和Prewitt算子的结果比较相近，L

23、aplacian算子会漏检某些低反差区域，Canny算子的检测效果最好，边缘检测准确，检测位置是边缘的中心。对图像test3.jpg分别加入高斯噪声和椒盐噪声，再进行边缘检测（代码详见附录二三）：图3-4 加入高斯噪声后的边缘检测对比图3-5 加入椒盐噪声后的边缘检测对比对比各算子加入高斯噪声后的边缘检测，可以看出在图像噪声比较明显且阀值设置得比较小的时候，各算子对噪声的响应都很明显。图3-4中，Roberts算子的检测效果最差，建筑的轮廓几乎湮没在噪声中，Sobel算子和Prewitt算子的结果仍然相近，检测效果比Roberts算子好一点点。Laplacian算子（加入了滤波器的Laplac

24、ian算子）则对抑制噪声的效果良好，Canny算子对边缘检测的效果依然很好，但是对噪声响应也很大。对加入椒盐噪声的图像的处理结果对比类似，虽然椒盐噪声显得很突兀，但对真正边缘的检测干扰没有高斯噪声那么大。3.1.2 对比总结Roberts算子是利用两个对角相邻像素之差进行梯度幅值检测，因此所得到的是梯度幅值的近似值。并且水平和垂直方向的边缘的检测性能要优于斜线方向的边缘，检测精度不够高，但容易丢失一部分边缘，同时由于没经过图像平滑计算，因此不能抑制噪声，因此该算子对具有高反差的低噪声图像的边缘检测性能最好。Prewitt算子和Sobel算子也都是对图像进行差分，两者仅在算子模板的权值上有些差异

25、，因此两者对图像的处理结果比较相似，均对噪声具有一定的抑制能力，但可能会检测出一些伪边缘，所以检测精度仍不够高。Laplacian算子（加入了滤波器的Laplacian算子）先通过高斯函数对图像进行平滑处理，因此对噪声的抑制效果比较明显，但同时也可能将原本的边缘平滑了。对具有高反差的带有噪声图像的边缘检测性能较好。Canny算子也采用高斯函数对图像进行平滑处理，因此具有也具备一定的抗噪能力，但同样存在容易平滑掉一些边缘信息。通过以上实例检测对比结果可以看出，该算子在上述几种边缘检测算子当中效果最好。边缘定位准确，连续性较好，虚假边缘少且边缘均具有单像素宽度。各种算子优缺点总结边缘检测算子实现原

26、理特性优点不足Roberts算子使用Roberts近似倒数寻找边缘（一阶微分）利用3*3模板，计算图像的两个对角线的相邻像素点之差进行梯度幅值的检测算法简单，运算量小，对反差大且细节少的图像也会有很好的检测效果检测出来的边缘比较粗糙，边缘检测精度不够高，容易漏检错检。对噪点的响应度大。Priwitt算子使用Priwitt近似倒数寻找边缘（一阶微分）利用3*3模板，计算像素点上下、左右邻点的灰度差进行梯度幅值的检测算法相对简单，运算量不大，对边缘定位较Roberts算子准确图像中细节丰富或者低反差区域容易检测不出边缘，对噪声响应大Sobel算子使用Sobel近似倒数寻找边缘（一阶微分）与Priw

27、itt算子相似，但在像素点的上下左右边缘点加上权数2与Priwitt算子相似，但更能降低噪声响应。同上Laplacian算子（二阶微分）依据二阶导数在边缘点出现过零点进行梯度幅值的检测经常出现双边缘像素边界，而且该检测方法对噪声比较敏感算法复杂，运算量大Canny算子通过寻找的梯度的局部最大值来发现边缘，梯度由高斯滤波器的微分来计算用一个准高斯函数做平滑运算，再以带方向的一阶微分定位导数的最大值对细节多的图像检测效果很好，检测边缘的精度高，很少漏检或者错检，边缘连续性好，达到很好的效果。算法复杂，运算量大表 3-6 各种算子优缺点总结3.2 基于Sobel算子的算法优化3.2.1 八方向Sob

28、el算子Roberts算子是算子，对具有陡峭的低噪声图像响应好，但是边缘检测比较粗糙。Sobel算子， Prewitt算子，都是算子，对灰度渐变和噪声较少的图像处理得较好。Canny算子边缘检测效果最好，但是对噪点抑制效果不好，算法更为复杂，运算量大。因此，改进边缘检测算法，使得运算简单，边缘检测准确同时又能有效抑制噪声的影响，具有很重要的意义。Sobel算子是其中性能比较均衡的一种算法。值得注意的是将可以的Sobel算子扩展成八个方向，以提高Sobel算子的对方向和方向边缘检测精度。也可以在Sobel算子中加入对噪声进行抑制的机制，进一步提高Sobel算子的实用性。八方向的Sobel算子模板

29、如下： 1 0-120-210-1-1-2-10001210-1-210-1210-2-10-101012 -1 01-202-101121000-1-2-1012-101-2-1021010-10-1-2 图3-7八方向的Sobel算子模板由于Sobel计算的是梯度差的绝对值，因此实际上只需要计算四个相应的模板就可以达到目的，算式如下:(3.01)其中， (3.02) (3.03) (3.04) (3.05)使用改进后的算法对图像test3.jpg进行测试（代码详见附录四），对图像局部放大，并分别截取台阶位置（因为台阶位置带有45度边缘）进行对比：图3-8 四方向Sobel与八方向Sobel

30、测试结果对比可以观察到两者的区别不是特别大，但八方向Sobel算子对45度的边缘检测效果更好，连续衔接性更好，检测出来的细节也要更多一些。 对该图像加入高斯噪声，继续用两种算法进行对比，截取建筑部分观察：图3-9 四方向Sobel与八方向Sobel测试结果对比（加高斯噪声）可以观察到相对于四方向Sobel算子，八方向Sobel算子在对边缘检测更加准确的同时，也会带来对噪声响应更加明显的问题。因此八方向Sobel算子更适合在图像纯净的条件下使用，进一步提高边缘检测的精确度。3.2.2 去除图像中的椒盐噪声由于Sobel算子本身不带有对噪声的抑制机制，因此可以在Sobel算子中加入降噪机制，增加对

31、边缘检测判断的准确性。也可以在对图像进行边缘检测前进行降噪，除去噪声。下面以除去照片中的椒盐噪声为例。椒盐噪声虽然也有边缘所具有的梯度幅值大的特性，但与边缘却与边缘明显不同的特征是，椒盐噪声会是一个个孤立的点，与周围的其他像素有很大差别（边缘点很容易在它周边找到相似的点，而椒盐噪声很难找到相似的点）因此可以先计算梯度值： （3.06）设定某个特定的阀值T，进行判断，找出噪点和边缘的位置，然后进一步确定噪点的位置。再在判断噪点位置的条件中加入如下判断条件：if(G(i,j)T& abs(f(i-1,j)-f(i,j)20 & abs(f(i+1,j)-f(i,j)20 & abs(f(i,j-1

32、)-f(i,j)20 & abs(f(i,j+1)-f(i,j)20)上述条件的含义是，该像素点与周围相邻的四个像素点的灰阶差值都大于20，该点才会被判断为椒盐噪点。依此找出图像中离散的椒盐噪声，在对噪声进行定位后，再用中值滤波法把噪声过滤掉： ab=f(i-1,j),f(i+1,j),f(i,j-1),f(i,j+1); K(i,j)=median(ab);%中值滤波法降噪算法详见附录五，对图像test3.jpg加入椒盐噪声，然后用该算法进行降噪,截取图像中的建筑部分：图3-10 加入降噪算法处理结果（椒盐噪声）可以观察到，该算法对椒盐噪声的去除效果非常好。因此可以先用以上算法除去椒盐噪声，

33、再进行边缘检测。但是，由于高斯噪点的特性不同，这种算法移除高斯噪点的效果很小。因此我们可以尝试在检测边缘后再对噪声进行移除。3.2.3 抑制图像中的高斯噪声对加入高斯噪声的图像用四方向Sobel算子进行边缘检测，得到二值图像，发现因噪点所带来的伪边缘多数呈现离线的白点，因此先判断像素点的值是否等于1，再用如下条件进行判断：L(i-1,j)+L(i+1,j)+L(i,j-1)+L(i,j+1)2即如果该像素点周围相邻的四个像素点值之和2,该点被判断为因噪点所产生的伪边缘，并将该点去除，即L(i,j)=0;算法详情请参见附录三，用该算法对test3.jpg进行处理，得到结果图：图3-11 加入降噪

34、算法处理结果（高斯噪声） 可以看出算法对去除高斯噪声的效果非常好，高斯噪声所带来的伪边缘几乎都被除去。但是这个算法过于简单，同样也会带来一些问题。对图像台阶处的进行截取，再进行观察：图3-12 加入降噪算法处理结果（高斯噪声） 可以看到，虽然高斯噪声被移除了，但图像中很多细小的线边缘也被错误地去除了。这是因为什么呢？因为该判断条件也会把孤立的线条移去。因此，要再在算法中加入保护细小边缘的部分，即再在判断条件中加入并列条件：(L(i,j)+L(i,j+1)+L(i,j+2)3&(L(i,j)+L(i+1,j)+L(i+2,j)3&(L(i,j)+L(i+1,j+1)+L(i+2,j+2)3&(L

35、(i,j)+L(i+1,j+1)+L(i+2,j+2)3它的作用是分别判断水平方向，竖直方向和45度角方向的三个像素是否都为白点，如果是，即这三个点连成了一条线，这很可能是正确的边缘，则该点不能再被判断为高斯噪点，以此达到保护边缘的目的。在原算法中加入上述部分后，再对图像test3.jpg进行处理：图3-13 加入保护边缘的降噪算法处理结果（高斯噪声）可以观察到，该算法已经对细小边缘已经起到保护作用。总结：通过扩展Sobel算子的方向来进一步提高边缘检测的精度，同时在Sobel算子中加入能够抑制或者移除高斯噪声或者椒盐噪声的机制，并且不同的情况用不同的方法应对。所有预期效果目的都很好地达到了。

36、第四章 Photoshop中锐化工具使用探索4.1 Photoshop中常用的锐化工具Photoshop的锐化滤镜一共有5个,分别是USM锐化、进一步锐化、锐化、锐化边缘和智能锐化。其中最常用的滤镜是USM锐化和智能锐化,因为其他三个都是软件默认的参数的滤镜,锐化数据不可以根据不同数字图像的需要来调控的,仅仅是给不太了解图像边缘增强的新手使用，这对于我们研究各种锐化方式并没有太大意义。USM锐化USM锐化可能是Photoshop使用者用得最多的锐化方式,这种锐化方法既可控,又相对简单。但USM锐化也会有其局限性，USM锐化会对图像的全局进行均匀的锐化，因为无法保护图像中脆弱的部分或者是噪点偏多

37、的区域。在这种情况下，智能锐化滤镜很好地发挥到自己的作用，保护图像中的高光和暗部区域。下面我们将会探索USM锐化。4.2 USM锐化滤镜探索所谓USM锐化，也就是Unsharp mask。或许你会疑惑，明明是一种图像锐化处理技术，为什么却偏偏叫做不清晰蒙版呢？原因是这个名字源自于湿版暗房的一项技术。这项技术运用翻拍负片来做蒙版，正是这种因失焦而不清晰的蒙版提高了以负片印放照片的清晰度。Photoshop中的USM锐化滤镜正是模仿这种技术，只是它可以控制得更加精准方便。简单直接地使用USM锐化滤镜进行锐化,其实并不能取得很好的效果。鉴于USM锐化滤镜的局限性,最合适的使用方式是将USM锐化滤镜，

38、作为专业锐化的组成部分和技术手段之一。总的来说,USM锐化善于边缘高对比度的锐化,对于中间层次效果不佳,一旦锐化过度,容易出现轮廓白边。4.2.1 数量打开USM锐化滤镜，会发现USM锐化滤镜包含了三项设置参数，数量，半径和阀值。三项锐化参数在图像边缘增强中，到底分别起到什么作用呢？数量滑块将会决定应用到数字图像的锐化量，也就是用来控制边缘增强的强度大小。半径滑块将会决定锐化从边缘开始向外影响到多少像素，也就是用来控制边缘晕轮的宽度。阀值滑块决定一个像素与在被当成一个边界像素并被滤镜锐化之前其周围区域必须具有的差别。下面我们将会探索分析它们的具体功能和意义。 1).打开photoshop，新建

39、如下图像。图4-12).对该图像执行以下几种不同参数的锐化，并观察图像边缘所发生的变化,将原图放大到200%并截图： 图4-2 图4-3对图像执行数量50，半径1.0像素， 对图像执行数量100，半径1.0像素，阀值3色阶的锐化 阀值3色阶的锐化 图4-4 图4-5对图像执行数量200，半径1.0像素， 对图像执行数量400，半径1.0像素，阀值3色阶的锐化 阀值3色阶的锐化由以上四种不同数量的锐化可以得出结论，锐化的数量值越高，图像边缘的反差（晕轮）会越明显。图像锐化的原理便是通过增加图像边缘的反差，来使得图像看起来更加清晰，细节丰富。但真的是锐化的数量越大越好吗？由上面四张对比图片可以看出

40、，当锐化数量过大时，图片会产生不自然的晕轮，最终导致的结果将会是，图像看起来像是一张生硬的砂纸。你确定那是你想要的？因此，数量参数的设置建议是，在尽量不损害图像平滑度的前提下，提高图像边缘的反差。实例测试：对一张拍摄于康有为广场的图片进行上述四种不同数量的锐化。观察图片的变化，并且截取康有为像的细节进行对比，得到图4-6。图4-6 执行不同数量的USM锐化可以观察到，当锐化数量达到200的时候，图像已经开始变得生硬，出现白色和黑色晕轮；当锐化数量达到400的时候，图像已经开始劣质化，而且这个过程是不可逆转的。因此，这张图片的合适锐化量是数量100，半径1.0像素，阀值3色阶。4.2.2 半径对

41、该图6-2执行以下几种不同参数的锐化，并观察图像边缘所发生的变化,将原图放大到200%并截图。 图4-7 图4-8对图像执行数量200，半径1.0像素， 对图像执行数量200，半径2.0像素，阀值3色阶的锐化 阀值3色阶的锐化 图4-9 图4-10对图像执行数量200，半径5.0像素， 对图像执行数量200，半径10.0像素，阀值3色阶的锐化 阀值3色阶的锐化由以上实例检测不难看出半径在数字图像边缘增强中所包含的意思。当半径设置数值越大时，锐化所产生的晕轮会越大。当设置半径为5.0甚至更高的时候，锐化的作用已经严重损坏了原本图像的观感，因此正确选USM锐化半径，显得尤为的重要。那么，不同的图像

42、，应该选择怎么的锐化半径呢？很明显，锐化半径不能设置过大。为什么呢？因为图像边缘增强的本意就是加强图像边缘的灰度对比，如果设置过大半径，就会在图像边缘上形成巨大的晕轮，图像的边缘不仅仅不能得到增强，反而会被巨大的黑白晕轮喧宾夺主。因此，半径的参数选择应该点到即止。对于边缘丰富细节密集的图片，半径数值应该设置小一些，使得锐化更加细致，防止因边缘距离过于小而导致锐化互相干扰的情况。对于边缘轮廓比较大，细节不够清晰或者细节较少的图片，半径数值应该设置大一些，这样才能起到增强边缘轮廓的效果。实例测试：对拍摄于康有为广场的图片分别执行（数量100，半径1.0像素，阀值3.0），（数量100，半径2.0像

43、素，阀值3.0），（数量100，半径5.0像素，阀值3.0），（数量100，半径10.0像素，阀值3.0）的USM锐化，观察图片的变化，并且截取康有为像的细节进行对比，得到4-7。图4-11 执行不同半径的USM锐化可以观察到，当锐化半径达到2.0的时候，图像已经开始变得生硬，出现白色和黑色晕轮,图像细节开始互相干扰，细节丰富的区域开始模糊，边缘轮廓大的区域周边也开始出现白边黑边（注意到康有为雕像周围已经被白色晕轮所包围）；当锐化半径达到10.0像素的时候，图像已经开始劣质化，图像观感会让人严重不适，而且这个过程是不可逆转的。因此控制合适的锐化半径同样尤为重要。因此，这张图片的合适锐化量是数量100，半径1.0像素，阀值3色阶。4.2.3 阀值阀值可能就不是一个很好理解的一个概念，与我们的主观意识相反，当阀值的数值设置得越大的时候，锐化效果反而会越小。这是什么原因呢？实例测试：同样对该