利用自带滤波函数与梯度的方式分别实现图像锐化

在matlab中实现拉普拉斯锐化的脚本文件，纯手工，全部自己动打码。

图像锐化方法综述与MATLAB实现 本次设计就是利用Matlab实现图像边缘检测，具体的是利用Matlab针对Log算子、Prewitt算子、Sobel算子、Laplacian算子实现边缘检测的功能。

空域增强、频域增强、图像锐化 支持阈值滤波、均值滤波、中值滤波 Kirsch算子、Laplace算子、Prewitt算子、Roberts算子、Sobel算子、 Butterworth高通滤波、Butterworth低通滤波、模板滤波等算法

自己写的C#小程序实现图像模糊处理：1、高斯滤波；2、频域低通滤波法；3、中值滤波法；4、均值滤波；图像锐化处理：拉普拉斯锐化；图像增强：伪彩色增强

该程序是用c#语言编写的用于图像基本处理的软件，包括有图像放大缩小、空间域平滑、直方图修正、锐化。频率增强。边界提取等操作。

在本文中，我们提出了一种用于全锐化的新的空间-黑森州特征引导变分模型，该模型旨在从低分辨率的MS图像和具有高空间分辨率和光谱分辨率的全锐化多光谱（MS）图像中获得高分辨率全色（PAN）图像。 首先，我们假设低分辨率MS图像对应于高分辨率全锐化MS图像的模糊和降采样版本。 由于全脸锐化的MS图像和PAN图像是同一场景的两个图像，因此全脸锐化的MS图像与PAN图像具有相似的几何对应关系。 为此，通过兴趣点检测将PAN图像和泛锐化的MS图像之间的几何对应关系学习为空间位置一致性。 其次，提出了一种新的基于图像空间Hessian特征的矢量Hessian Frobenius范数项，以约束PAN图像与泛锐化MS图像之间的特殊对应关系，以及泛锐化MS图像不同波段之间的内相关。 。 基于这些假设，提出了一种用于泛锐化的新型变分模型。 因此，在算子拆分框架下设计了一种针对所提出模型的有效算法。 最后，在模拟数据和真实数据上的结果都证明了该方法在产生具有高频谱质量和高空间质量的泛锐化结果中的有效性。

流行的强度-色相饱和度（IHS）泛锐化方法可以在遭受某些光谱失真的同时提供较高的空间质量，这主要是因为它无法估计准确的强度图像来替代IHS空间中的原始强度图像。 为了克服这一缺点，本文特别采用变分互补数据融合的建模思想，提出了一种在广义IHS（GIHS）变换域中采用变分Hessian转移的新型高效泛锐化方法。更准确的强度图像。 更具体地说，所提出的方法的新颖性在于在GIHS变换域中建立变分的Hessian传递模型，以将基于Hessian的全色（Pan）图像的空间几何信息传递到新的强度图像，同时考虑到保留光谱信息。 最后，实验结果证明了该方法的有效性，与某些最新方法相比，该方法具有更高的光谱和空间质量以及更高的效率。

拉普拉斯锐化法 4邻域模板，巴特沃斯高通滤波器锐化， 阶数M=3 截断频率D0=40，梯度算子锐化 sobel和prewitt

尽管高分辨率全色（HR PAN）图像的带宽很宽，但在低分辨率多光谱（LR MS）图像的每个波段中带宽都很窄。 因此，HR PAN图像的空间分辨率比LR MS图像的空间分辨率高得多。 但是，HR PAN图像只有一个波段。 泛锐化算法的目的是使泛锐化图像具有高空间分辨率和良好的光谱信息。 通过扩展HR PAN图像中的草图信息，提出了一种新的泛锐化学习插值方法。 草图信息包含图像的边缘和线条特征，并且草图信息的每个部分都有其自己的方向。 根据HR PAN图像的原始草图图，通过设计的几何模板获得区域图。 由于HR PAN图像的尺寸与LR MS图像的尺寸不同，因此通过最近的插值方法将LR MS图像插值为插值多光谱（IMS）图像。 另外，可以通过该区域地图将IMS图像映射到结构和非结构区域中。 非结构区域通过方差值分为平滑区域和纹理区域。 对于结构和纹理区域，分别通过提出的结构和纹理学习插值方法对IMS图像中的插值像素进行重新学习和重新调整。 实验结果表明，所提出的泛锐化方法可以在视觉效果和质量指标上提供出色的性能，特别是对于光谱差异较大的图像。