双尺度图像分解细节提升
一副图像经过大尺度的均值滤波(公式10)后得到大尺度的基础层Bn，然后用原图减去大尺度基础层(公式11)可以得到一副小尺度的细节层Dn，然后加上原图In，图像细节得到提升，实验结果如下。
2、多尺度图像分解细节提升 看到多尺度图像分解细节提升算法是在2015年《DARKIMAGEENHANCEMENTBASEDONPAIRWISETARGETCONTRASTAND MULTI-SCALEDETAILBOOSTING》上的一小部分，感觉算法思想也是特别妙，下面是主要内容。
简单介绍下论文的思想是通过三个不同尺度的高斯模糊，然后和原图做减法获取不同的细节信息，再通过一定的组合方式将细节信息融合到原图当中，从而加强原图的细节信息。
总结 对于增强图像细节方面方法有待研究的方法还有很多，上述的两种基本的方法，如果不仔细去看，效果也不是很明显，所以有待改进。
参考：图像增强:多尺度的图像细节提升(multi-scale detail boosting)实现方法_pan_jinquan的博客-CSDN博客_细节增强算法
SSE图像算法优化系列十二：多尺度的图像细节提升。 - Imageshop - 博客园
Matlab版
clc
clear
%双尺度细节提升
I=im2double(imread('13.png'));
f=fspecial('average',31);
B=imfilter(I,f,'conv','replicate');
D=I-B;
I1=D+I;
imwrite(I1,'1.png');
figure;imshow([I I1]);
%多尺度细节提升
sigma1=1;
sigma2=2;
sigma3=4;
f1=fspecial('gaussian',10,sigma1);
f2=fspecial('gaussian',50,sigma2);
f3=fspecial('gaussian',100,sigma3);
B1=imfilter(I,f1,'conv','replicate');
B2=imfilter(I,f2,'conv','replicate');
B3=imfilter(I,f3,'conv','replicate');
D1=I-B1;
D2=B1-B2;
D3=B2-B3;
W1=0.5;W2=0.5;W3=0.25;
I2=(1-W1.*sign(D1)).*D1+W2*D2+W3*D3+I;
figure;imshow([I I2]);
imwrite(I2,'2.png');python版本
import cv2
import glob
import os
import numpy as np
def multiScaleSharpen(src, Radius):
sigma1 = 1.0
sigma2 = 2.0
sigma3 = 4.0
B1 = cv2.GaussianBlur(src, (Radius,Radius), sigma1)
B2 = cv2.GaussianBlur(src, (Radius*2-1,Radius*2-1), sigma2)
B3 = cv2.GaussianBlur(src, (Radius*4-1,Radius*4-1), sigma3)
src = src.astype(np.float) # uint8 to float, avoid Saturation
B1 = B1.astype(np.float)
B2 = B2.astype(np.float)
B3 = B3.astype(np.float)
D1 = src - B1 # get detail
D2 = B1 - B2
D3 = B2 - B3
w1 = 0.5
w2 = 0.5
w3 = 0.25
result = (1 - w1* np.sign(D1))*D1 + w2 * D2 + w3 * D3 + src
result_img = cv2.convertScaleAbs(result)
return result_img
if __name__ == "__main__":
img = cv2.imread("/Users/mac/Desktop/Test/6.jpeg")
img = cv2.resize(img,None,fx=0.4,fy=0.4,interpolation=cv2.INTER_CUBIC)
result = multiScaleSharpen(img, 5)
cv2.imshow("0",img)
cv2.imshow("1",result)
cv2.waitKey()
cv2.destroyWindow()
# cv2.imwrite("/Users/mac/Desktop/Test/12-1.jpeg",result)
