Python skimage.filters.unsharp_mask用法及代码示例

用法: skimage.filters.unsharp_mask(image, radius=1.0, amount=1.0, multichannel=False, preserve_range=False, *, channel_axis=None)

不锐化掩蔽滤镜。

清晰的细节被识别为原始图像与其模糊版本之间的差异。然后将这些细节缩放，并添加回原始图像。

参数：

image：[P, ..., ]M[, N][, C] ndarray: 输入图像。
radius：标量或标量序列，可选: 如果给定一个标量，那么它的值将用于所有维度。如果给出了序列，那么除了多通道图像的最后一个维度之外，每个维度都必须有一个半径。请注意，0 半径表示没有模糊，并且不允许使用负值。
amount：标量，可选: 细节将被这个因子放大。该因子可以为 0 或负数。通常，它是一个小的正数，例如1.0。
multichannel：布尔型，可选: 如果为真，最后一个image维度被视为颜色通道，否则视为空间。颜色通道是单独处理的。此参数已弃用：指定channel_axis反而。
preserve_range：布尔型，可选: 是否保持原来的取值范围。否则，输入图像将根据 img_as_float 的约定进行转换。另见https://scikit-image.org/docs/dev/user_guide/data_types.html
channel_axis：int 或无，可选: 如果为 None，则假定图像是灰度(单通道)图像。否则，此参数指示数组的哪个轴对应于通道。

output：[P, ..., ]M[, N][, C] ndarray of float: 应用了模糊蒙版的图像。

其他参数：

multichannel：DEPRECATED: 已弃用以支持channel_axis。

注意：

Unsharp masking 是一种图像锐化技术。它是一种线性图像操作，并且数值稳定，不像是ill-posed 问题的反卷积。由于这种稳定性，它通常比反卷积更受欢迎。

主要思想如下：锐利的细节被识别为原始图像与其模糊版本之间的差异。这些细节在缩放步骤后被添加回原始图像：

增强图像 = 原始 + 数量 *(原始 - 模糊)

将此滤镜单独应用于多个颜色层时，可能会发生颜色渗色。通过仅在适当的色彩空间(例如 HSV、HSL、YUV 或 YCbCr)中处理亮度/明度/强度通道，可以获得更视觉上令人愉悦的结果。

大多数介绍性数字图像处理书籍中都说明了锐化遮罩。此实现基于 [1] 。

参考：

1: Maria Petrou, Costas Petrou “Image Processing: The Fundamentals”, (2010), ed ii., page 357, ISBN 13: 9781119994398 DOI:10.1002/9781119994398
2: Wikipedia. Unsharp masking https://en.wikipedia.org/wiki/Unsharp_masking

例子：

>>> array = np.ones(shape=(5,5), dtype=np.uint8)*100
>>> array[2,2] = 120
>>> array
array([[100, 100, 100, 100, 100],
       [100, 100, 100, 100, 100],
       [100, 100, 120, 100, 100],
       [100, 100, 100, 100, 100],
       [100, 100, 100, 100, 100]], dtype=uint8)
>>> np.around(unsharp_mask(array, radius=0.5, amount=2),2)
array([[0.39, 0.39, 0.39, 0.39, 0.39],
       [0.39, 0.39, 0.38, 0.39, 0.39],
       [0.39, 0.38, 0.53, 0.38, 0.39],
       [0.39, 0.39, 0.38, 0.39, 0.39],
       [0.39, 0.39, 0.39, 0.39, 0.39]])

>>> array = np.ones(shape=(5,5), dtype=np.int8)*100
>>> array[2,2] = 127
>>> np.around(unsharp_mask(array, radius=0.5, amount=2),2)
array([[0.79, 0.79, 0.79, 0.79, 0.79],
       [0.79, 0.78, 0.75, 0.78, 0.79],
       [0.79, 0.75, 1.  , 0.75, 0.79],
       [0.79, 0.78, 0.75, 0.78, 0.79],
       [0.79, 0.79, 0.79, 0.79, 0.79]])

>>> np.around(unsharp_mask(array, radius=0.5, amount=2, preserve_range=True), 2)
array([[100.  , 100.  ,  99.99, 100.  , 100.  ],
       [100.  ,  99.39,  95.48,  99.39, 100.  ],
       [ 99.99,  95.48, 147.59,  95.48,  99.99],
       [100.  ,  99.39,  95.48,  99.39, 100.  ],
       [100.  , 100.  ,  99.99, 100.  , 100.  ]])

相关用法

注：本文由纯净天空筛选整理自scikit-image.org大神的英文原创作品 skimage.filters.unsharp_mask。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

其他参数：

注意：

参考：

例子：