图像处理之应用卷积– 轧花与边缘检测

关于什么是卷积，如何理解卷积 参见这里： /article/1391114.html 一：轧花
轧花算子(embossfilter)
对一幅数字图像一阶微分结果即可得到轧花效果，根据不同的算子，轧花又
可以分为凹效果与凸效果两种。两个个最简单的轧花算子为：



轧花算子又称为双极性算子，1对图像的贡献意味着平滑，-1对图像的贡献
意味着突出细节，于是最终就得出了双极性的轧花效果。

处理过程：
a. 读取图像像素
b. 使用轧花算子完成对像素数组的卷积操作
c. 整体亮度提升效果– 高斯亮度/基于阈值/直接常量提升

轧花滤镜效果：左边为原图， 右边为轧花处理以后效果



二：边缘提取
Edge detection是图像处理中非常重要而且也是十分常用的图像处理手段之一，边缘提取是
图像二值化的基本步骤之一。边缘提取从本质上来说是高通滤波，从数字信号的角度看，就
是要保留高频信号，去掉低频信号，因此边缘提取有很多频率域算子，将图像完成FFT之后
在频率域完成高通滤波再转到空间域。显然计算量比较大，空间域最经典的边缘提取算法之
一Candy Edge Detection有着非常好的效果。

这里只是抛砖引玉，完成一个最简单基于卷积的空间域边缘提取算子，算子为：



完成卷积以后的效果如下：




对于灰度图完成边缘提取以后效果如下：



基于卷积还可以完成图像的锐化(Sharp Filter)，让图像上的差异更加明显。
一个简单的Sharp Filter可以为



得到的效果如下：



完成轧花卷积的代码如下：

@Override 	public BufferedImage filter(BufferedImage src, BufferedImage dest) { 		int width = src.getWidth();         int height = src.getHeight();          if ( dest == null )             dest = createCompatibleDestImage( src, null );          int[] inPixels = new int[width*height];         int[] outPixels = new int[width*height];         src.getRGB( 0, 0, width, height, inPixels, 0, width ); 		int index = 0; 		int index2 = 0; 		int r=0, g=0, b=0; 		for ( int y = 0; y < height; y++ ) { 			for ( int x = 0; x < width; x++ ) { 				int ta = 255, tr = 0, tg = 0, tb = 0; 				for(int fr = 0; fr < filterRow; fr++) { 					int rowoffset = y + fr; 					if(rowoffset < 0 || rowoffset >=height) { 						rowoffset = y; 					} 					for(int fc = 0; fc < filterCol; fc++) { 						int coloffset = fc + x; 						if(coloffset < 0 || coloffset >= width) { 							coloffset = x; 						} 						index2 = rowoffset * width + coloffset; 						int rgb1 = inPixels[index2]; 						int r1 = (rgb1 >> 16) & 0xff; 						int g1 = (rgb1 >> 8) & 0xff; 						int b1 = rgb1 & 0xff; 						if(isOUT) { 							tr += r1 * outfilter[fr][fc]; 							tg += g1 * outfilter[fr][fc]; 							tb += b1 * outfilter[fr][fc]; 						} else { 							tr += r1 * infilter[fr][fc]; 							tg += g1 * infilter[fr][fc]; 							tb += b1 * infilter[fr][fc]; 						} 					} 				} 				 				tr += COLORCONSTANTS; 				tg += COLORCONSTANTS; 				tb += COLORCONSTANTS; 				r = PixelUtils.clamp(tr); 				g = PixelUtils.clamp(tg); 				b = PixelUtils.clamp(tb); 				outPixels[index] = (ta << 24) | (r << 16) | (g << 8) | b; 				index++; 			} 		}         dest.setRGB( 0, 0, width, height, outPixels, 0, width );         return dest; 	}

完成简单边缘检测的代码如下：

private void filter(int[] inPixels, int[] outPixels, int height, int width, double[][] filterKernel) { 		int index = 0; 		int index2 = 0; 		int r=0, g=0, b=0; 		int semiColumn = filterKernel.length/2; 		int semiRow = filterKernel[0].length/2; 		for ( int y = 0; y < height; y++ ) { 			for ( int x = 0; x < width; x++ ) { 				int ta = 255, tr = 0, tg = 0, tb = 0; 				for(int fr = -semiRow; fr <= semiRow; fr++) { 					int rowoffset = y + fr; 					if(rowoffset < 0 || rowoffset >=height) { 						rowoffset = y; 					} 					for(int fc = -semiColumn; fc <= semiColumn; fc++) { 						int coloffset = fc + x; 						if(coloffset < 0 || coloffset >= width) { 							coloffset = x; 						} 						index2 = rowoffset * width + coloffset; 						int rgb1 = inPixels[index2]; 						int r1 = (rgb1 >> 16) & 0xff; 						int g1 = (rgb1 >> 8) & 0xff; 						int b1 = rgb1 & 0xff; 						tr += ((double)r1 * filterKernel[fr + semiRow][fc + semiColumn]); 						tg += ((double)g1 * filterKernel[fr + semiRow][fc + semiColumn]); 						tb += ((double)b1 * filterKernel[fr + semiRow][fc + semiColumn]); 					} 				} 				 				if(enhanceBrightness) { 					tr += COLORCONSTANTS; 					tg += COLORCONSTANTS; 					tb += COLORCONSTANTS; 				} 				r = PixelUtils.clamp(tr); 				g = PixelUtils.clamp(tg); 				b = PixelUtils.clamp(tb); 				outPixels[index] = (ta << 24) | (r << 16) | (g << 8) | b; 				index++; 			} 		} 	}

本文出自 “流浪的鱼” 博客，请务必保留此出处http://gloomyfish.blog.51cto.com/8837804/1400374