今天我们来介绍下什么是锐化。
之前我们介绍过模糊算法。模糊算法是去除掉图像的高频信息，保留低频信息以此来达到模糊图像的效果。而图像锐化正好相反，是保留高频信息已达到保护细节信息的目的。通过锐化，我们能使图像的一些细节信息以及边缘得到增益。
先用一组实验来看看锐化算法的原理是什么。
首先，我们用高斯模糊算法来处理一幅图：
接着，我们用原图的像素值减去模糊后得到的图（左图 减去 右图）可以得到下面的图像结果：
其中右图是结果图，左图为原图。我们能够发现，右图中有很浅的一些边缘轮廓信息以及一些细节信息。
如果我们将结果图加到原图上去，这就起到了锐化的效果：
当然，因为这个是用我原本的3 * 3的kenel size的高斯模糊来实现的，所以细节信息不是特别明显。但是从这个过程我们可以知道锐化的过程。其实就是找出细节以及边缘这些高频信息，把他们添加到原图中去以增加细节信息。所以，就引出了各种锐化算法。如基于sobel算子，基于laplas算子等的锐化算法。其中sobel和laplas算子是用来求解梯度用的。他们也是著名的边缘检测算子。这就很好理解了。我们可以先用这些求解边缘的方法先得到边缘和细节的高频信息。最后合成到我们原图中去。
下面是我自己基于拆解掉的一阶差分实现的锐化算法效果图。其中包括原图和边缘信息的对照，原图和锐化效果图的对照：
当然，这边有个注意点。因为图像中的噪声一般也为高频信息。所以在做锐化之前，我们一般会做模糊处理来提升我们的信噪比。否则，锐化算法会将噪声一起增益，使得图像效果变差。
