2.6 图像平滑与锐化

2.6 图像平滑与锐化

本节摘要：平滑压噪声、锐化提细节，看似相反的操作在频率视角下是同一件事：平滑削弱高频成分，锐化增强高频成分。本节先跑均值、高斯、中值的平滑实现与非锐化掩蔽的锐化实现，再引入频率框架统一理解，重点讲"增强细节而不放大噪声"的非锐化掩蔽调参，以及拉普拉斯锐化与 Sobel 锐化的差异。

项目主线中的位置与目标

阅读完本节，你应当能够：

1. 用 blur、GaussianBlur、medianBlur 完成三档平滑并说清各自的频率含义
2. 手写卷积核实现拉普拉斯锐化并解释核内正负权重的分工
3. 用 addWeighted 实现 Sobel 梯度增强的锐化
4. 实现非锐化掩蔽并调好三个参数
5. 从频率角度解释"锐化必然放大噪声"，并给出工程上的折中策略

先跑起来：平滑三档与锐化一行

平滑的三种实现（第 2 章第 1 节已详述机理，这里直接用）：

import cv2

img = cv2.imread('photo.jpg')
blur_mean  = cv2.blur(img, (7, 7))                       # 均值平滑
blur_gauss = cv2.GaussianBlur(img, (7, 7), 2.0)          # 高斯平滑
blur_med   = cv2.medianBlur(img, 7)                      # 中值平滑
​

锐化的最小实现——手写一个锐化卷积核：

import numpy as np

kernel = np.array([[ 0, -1,  0],
                   [-1,  5, -1],
                   [ 0, -1,  0]], dtype=np.float32)
sharpened = cv2.filter2D(img, -1, kernel)
​

核中间是 5，四周十字是 -1。读法：输出 = 5×自己 − 上 − 下 − 左 − 右 = 自己 + 4×自己 − 四邻之和，而"4×自己 − 四邻"正是拉普拉斯算子（二阶导）的离散形式。也就是说，这个核等价于"原图 + 拉普拉斯响应"，把二阶导探测到的突变加回原图，突变被放大，边缘看起来更锐。数字可继续调：中心 9、四角 -1 的变体增强更强，代价是更容易出现"过冲"（边缘两侧的白边黑边）。

再跑本节的主角，非锐化掩蔽（USM）：

blur = cv2.GaussianBlur(img, (0, 0), 3)
usm = cv2.addWeighted(img, 1.8, blur, -0.8, 0)
​

一行：原图乘 1.8、模糊图乘 -0.8 叠加。为什么"减去模糊"反而更清晰？第二节讲透。

核心原理：频率视角下的统一

2.1 图像的频率语言

任何一张图都可以分解成不同"空间频率"成分的叠加：低频对应大范围的缓变区域（天空、墙面、肤色渐变），高频对应剧烈的局部变化（边缘、纹理、噪点）。注意最后那一项——噪声也是高频，这是本节所有工程取舍的根源。

在这个语言里，平滑与锐化是同一根数轴的两端：

均值滤波是"最粗暴的低通"——邻域内无差别平均，高频一律削弱；高斯滤波是"温和的低通"——按距离加权，削弱得体面一点；中值滤波是非线性的，频率解释不那么干净，但大致仍是压高频、且对极端值免疫。锐化则统统是高通放大器。

2.2 非锐化掩蔽：减法出细节

USM 的步骤值得写开，因为每一步都反直觉但有理：

第一步，做高斯模糊得到"低频版原图"。第二步，原图减模糊，得到"高频版原图"（细节图）——低频成分在相减中抵消，剩下的正是被模糊抹掉的那些边缘纹理。第三步，原图加回放大后的细节：usm = img + amount × (img − blur)。

展开就是 addWeighted 那一行的系数：img 乘 (1+amount)、blur 乘 -amount。amount（对应上一段代码里 1.8 与 0.8 的关系）控制锐化强度；高斯的 σ 控制参与增强的细节尺度——σ 小，细纹理（包括噪声）被增强；σ 大，只有大结构边缘被增强。

USM 的聪明之处在第三步的"加回"是可控的：amount 从 0.5 到 1.5 温和锐化，2 以上会出现明显的过冲与光晕。配合σ 的尺度选择，它可以在"提细节"与"不惊动噪声"之间精细折中——这是它成为修图行业标准的原因。

2.3 各类锐化的谱系

2.4 平滑与锐化的配合：先净化再增强

高频里混着"信号"（边缘）与"噪声"，锐化不加区分地放大两者，所以"越锐化越脏"是必然。工程上的标准对策是先做针对性平滑（压掉大部分噪声高频），再做温和锐化：中值滤波去椒盐后轻度 USM，是老照片翻新的经典组合。更讲究的做法是把"图像结构"与"噪声"分开处理——双边滤波恰好提供这种分离（保边缘的平滑），先双边再 USM，细节锐、噪点不起——代价是整体速度。

工程实践要点

3.1 参数起点与上限

USM 的 amount 从 0.8 起步，观察边缘是否出现白边黑边的"光晕"，出现就回调；σ 与图像分辨率联动，千像素级的图 σ 取 2–3，分辨率翻倍 σ 大致也要翻倍。拉普拉斯核中心 5 是温和档，9 是激进档，中间没有太多可探索的空间，这是它不如 USM 可控的原因。

3.2 锐化前自查噪声

一个实用的自查：把图放大 400% 看平坦区（天空、白墙）。干净才能放心锐化；看到噪点先平滑再锐化，或者直接降低 amount。屏幕上 100% 缩放看锐化效果是骗人的——缩小显示天然"更锐"，导出原尺寸再看才是真相。

3.3 平滑的三个场景档位

结合第 2 章第 1 节的选型，给观感向平滑一个速查：人像磨皮用双边滤波（保边缘，皮肤平滑头发清晰）；去扫描噪点用中值；仅为后续算法服务的高斯平滑，力度按下游算法容忍度定（详见第 2 章第 5 节 Canny 前置）。观感与算法两条线的平滑目标不同，别混用一套参数。

⚠️ 常见坑：对 JPEG 压缩严重的图强锐化，块效应（压缩伪影的方块边缘）被一起放大，画面出现"网格感"。对策：先轻度高斯平滑再锐化，或者放弃锐化——素材质量是天花板。

3.4 动手实验清单

1. 手写 5 核与 9 核拉普拉斯锐化，对比过冲程度。
2. USM 的 amount 从 0.5 扫到 2.5，σ 从 1 扫到 5，输出网格对比图，找到你那张图的可用区间。
3. 对同一张带噪照片执行"直接锐化"与"中值加 USM"两条路线，对比噪点观感。
4. 用 Sobel 幅值图叠加实现横向增强版锐化，观察竖向边缘与横向边缘的增强差异。

3.5 常见疑问与解答

平滑与去噪是一回事吗？

目标重叠但外延不同。去噪针对特定噪声模型（椒盐、高斯）对症下药，平滑是更宽泛的"压高频"操作——审美模糊（磨皮、景深模拟）也叫平滑但没有噪声要去的。工程语境里两者常混用，理解成"平滑是手段、去噪是目的之一"即可。

锐化能救对焦不准的照片吗？

轻微失焦可以"看起来好一点"，严重失焦不行。失焦是把信息卷积抹掉了（真实细节已丢失），锐化只放大幸存的低对比信息，放大出来的"细节"带过冲与光晕，放大四百百分比立刻露馅。位移模糊倒是真能救——但那叫逆卷积（维纳滤波一类），不是本节的锐化。

USM 的参数有"标准答案"吗？

没有，但有"行业标准区间"：出版级修图 amount 多在 0.5 到 1.5、半径（即 σ 的像素换算）约为输出分辨率的百分之零点二到零点五。更重要的是分用途：屏幕预览用小半径小强度求自然，印刷用稍大半径补偿印刷扩散。观察环境也要统一——锐化调参必须在目标媒介上看效果（要印刷就打样张看），屏幕上调半天印刷走样是老坑。

频域处理（傅里叶）有必要学吗？

对 OpenCV 日常使用者，本节的"频率视角"已够用来做判断（高频噪声、低频光照）。真正做频域滤波（去周期性条纹、大尺度去噪）时再学前向傅里叶变换与频谱操作，OpenCV 的 dft 系列函数够用。概念先于工具，判断力先于变换公式。

3.6 实战配方：老照片翻新的四步增强

组合本节与前几节的内容，做一个典型的观感增强流程——扫描的老旧照片（带颗粒噪声、对比度低、细节疲软）。

第一步中值滤波压椒盐。扫描件的尘埃与划痕是典型的椒盐系噪声，核 3 到 5；颗粒均匀细密的话再补一遍轻度高斯。判断标准：平坦区的"沙粒感"消失，而眉毛、发丝这类细结构还能分辨。

第二步对比度拉伸。灰度集中在中间一段的旧照片，用直方图均衡或更温和的线性拉伸把分布展开（第 2 章第 4 节的直方图知识在此复用）。注意先拉伸再锐化的顺序——对比度不足时锐化放大的是"低对比的糊"，效果差。

第三步双边滤波精修皮肤与大面积区域。保边平滑让皮肤质感变干净而不糊掉五官轮廓，参数从本节 3.1 的起点开始。

第四步温和 USM 收尾。amount 控制在 1.0 以内、σ 取 2 到 3，放大四百百分比检查边缘有没有过冲光晕。四步走完，一张"能看"的翻新照片完成——全程没有一个"魔法参数"，每一步的力度都有判断依据，这是本章六节内容的一次综合演练。

3.7 补遗：本章六件套的回顾定位

作为第 2 章的收官小节，顺手把六件套的位置再排一遍：滤波管"干净"、几何管"摆正"、阈值管"二分"、形态学管"形状"、边缘管"结构"、平滑锐化管"观感"。前五件服务算法，最后一件服务人眼——两条服务对象不同的线，参数不可互相借用（本节 3.3 的提醒在此再钉一次）。真实项目里六件不会全上，但每一件你都得知道它的"适用证"与"禁忌证"，这正是本章六节各自"什么时候别用"小节的存在意义。

本节要点回顾

• 频率统一视角：平滑削高频、锐化抬高频，而噪声恰是高频——这解释了为什么锐化必放大噪声、平滑必钝化细节。
• 拉普拉斯锐化：原图加回二阶导响应，实现最简单、强度只有几档、易过冲。
• USM 双旋钮：amount 管强度、σ 管尺度，可折中"提细节与不惊动噪声"，照片类首选。
• 先净化再增强：中值或双边在前、温和锐化在后，是带噪图的标准两步走。
• 锐化不创造细节：它只放大已有灰度差，素材质量才是天花板。
• 两条线分开调参：观感向平滑与算法向平滑目标不同，参数不可复用。

第 2 章至此收官：滤波、几何、形态学、阈值、边缘、锐化六件套齐了。下一章进入特征的世界——先从"角点为什么是好特征"讲起。

常见追问：平滑和锐化能不能同帧都做

能，而且经常一起做，顺序是先平滑后锐化。平滑压掉传感器噪声，锐化再放大真实边缘的反差；反过来先锐化会把噪声也一起放大，再平滑时细节和噪声又被一起抹掉，白忙一场。视频监看类应用里有个取巧做法：显示通路走轻平滑加锐化保观感，分析通路单独走算法向预处理，两路参数互不干扰，这比在一条通路上折中好调得多。