高斯模糊、LAB 锐化参数与自定义卷积核

虽然高级增强、局部对比与边缘检测展示了模糊与锐化的快速效果，但在生产环境中调节缩略图清晰度或去除噪点时，需要准确理解 gaussblur 的截断精度、sharpen 在 CIE LAB 空间下的六个阈值参数，以及**中值滤波（Rank / median）与自定义卷积矩阵（conv / convolve）**的跨绑定边界。

1. 高斯模糊（`GaussianBlur` / `gaussblur`）：`sigma` 与 `min_ampl`

libvips 的 vips_gaussblur 采用可分离一维高斯卷积核：

sigma：高斯分布标准差（模糊半径）。在缩略图柔化或背景羽化时常用 1.0 ~ 5.0；大面积毛玻璃背景可用 15.0 ~ 40.0。注意 sharp.blur(sigma) 要求 sigma 介于 0.3 到 1000 之间。
min_ampl（最小振幅截断）：控制高斯钟形曲线在边缘何处截断，默认值为 0.2。如果需要更平滑的渐变光晕（减少大半径模糊时的块状条带），可在 govips 中传入第二个可选参数 image.GaussianBlur(sigma, 0.05)，或在 sharp 中设置 minAmplitude: 0.05。

对夜景建筑图像应用 Sigma 4.0 高斯模糊后的输出 — **高斯模糊（Sigma 4.0）· WebP**1938 × 1292，95,724 字节，3 通道

由 govips v2.20.0 / libvips 8.17.3 实际生成。

// 第二个参数 minAmpl 为可选参数（默认 0.2）；越小核越宽、过渡越精细
if err := image.GaussianBlur(4.0, 0.2); err != nil {
    return err
}

import sharp from 'sharp';

await sharp('input.jpg')
  .blur({ sigma: 4.0, minAmplitude: 0.2, precision: 'integer' })
  .webp({ quality: 82 })
  .toFile('blur.webp');

import pyvips

image = pyvips.Image.new_from_file("input.jpg")
blurred = image.gaussblur(4.0, min_ampl=0.2, precision="integer")
blurred.write_to_file("blur.webp", Q=82)

vips gaussblur input.jpg 'blur.webp[Q=82]' 4.0 --min-ampl 0.2 --precision integer

2. LAB 亮度通道 USM 锐化（`Sharpen`）参数拆解

与在 RGB 通道上直接做拉普拉斯锐化不同，libvips 的 vips_sharpen 会先将图像转换到 CIE LAB 色彩空间，仅对 *L（亮度）通道**应用非锐化掩模（Unsharp Mask），从而避免在边缘产生彩色噪点或色相偏移。

它的核心分段线性传递函数由以下参数控制：

参数名	默认值	物理含义	调参建议
`sigma`	`0.5`	高斯低通滤波半径	屏幕 1x/2x 缩略图常用 `0.5 ~ 1.2`；印刷大图可用 `1.5 ~ 2.5`
`x1`（flat/jagged 阈值）	`2.0`	高频差值低于 `x1` 被视为平坦区，高于 `x1` 被视为边缘区	噪点较多的暗光照片可调大到 `3.0 ~ 5.0`，抑制平坦区噪点被放大
`m1`（平坦区斜率）	`1.0`	对低于 `x1` 的微小纹理应用的锐化倍率	设为 `0` 可完全不对平坦区（如皮肤、夜空）做锐化
`m2`（锯齿边缘斜率）	`2.0`	对高于 `x1` 的显著边缘应用的锐化倍率	缩略图微锐化常用 `1.0 ~ 2.0`；过高会产生白边光晕（Halo）
`y2` / `y3`（亮暗增幅上限）	`10.0` / `20.0`	限制单像素最多允许变亮（`y2`）或变暗（`y3`）的 L* 幅度	防止高反差边缘过冲产生刺眼白边

注：govips 的 image.Sharpen(sigma, x1, m2) 接收 sigma、x1 和 m2 三个参数；sharp、pyvips 与 vips CLI 支持全部六个参数。

对夜景建筑图像应用 LAB 亮度通道锐化后的输出 — **LAB 亮度锐化 · WebP**1938 × 1292，621,814 字节，3 通道

由 govips v2.20.0 / libvips 8.17.3 实际生成。

// Sharpen(sigma, x1, m2)
if err := image.Sharpen(1.2, 2.0, 1.5); err != nil {
    return err
}

import sharp from 'sharp';

await sharp('input.jpg')
  .sharpen({
    sigma: 1.2,
    m1: 1.0,
    m2: 1.5,
    x1: 2.0,
    y2: 10.0,
    y3: 20.0,
  })
  .webp({ quality: 82 })
  .toFile('sharpen.webp');

import pyvips

image = pyvips.Image.new_from_file("input.jpg")
sharpened = image.sharpen(sigma=1.2, x1=2.0, y2=10.0, y3=20.0, m1=1.0, m2=1.5)
sharpened.write_to_file("sharpen.webp", Q=82)

vips sharpen input.jpg 'sharpen.webp[Q=82]' --sigma 1.2 --x1 2.0 --m1 1.0 --m2 1.5

3. 中值滤波去椒盐噪点（`Rank` / `median`）与自定义卷积核（`convolve` / `conv`）

中值滤波（Median / Rank Filter）：在 w × h 邻域内对像素排序并取中位数（index = (w*h)/2），能有效去除扫描件或高感光度照片中的椒盐噪点且不模糊边缘。四个绑定全部支持：govips 调用 image.Rank(3, 3, 4)，sharp 调用 .median(3)，pyvips 调用 .median(3) 或 .rank(3, 3, 4)，vips CLI 调用 vips rank in out 3 3 4。
自定义二维卷积核（Custom Convolution）：sharp（.convolve()）、pyvips（Image.new_from_array + .conv()）与 vips CLI（vips conv）支持传入任意 M × N 矩阵、scale 与 offset；而 govips v2.19.0 公开层仅暴露了固定算子 Sobel()，未公开导出通用 Conv 方法。

// 3×3 窗口中值滤波（排序索引 4 即 9 个像素中的中位数）
if err := image.Rank(3, 3, 4); err != nil {
    return err
}

// 边缘检测：govips 公开了内置 Sobel()，未公开任意矩阵 Conv()
if err := image.Sobel(); err != nil {
    return err
}

import sharp from 'sharp';

// 1. 3×3 中值滤波
await sharp('input.jpg').median(3).webp({ quality: 82 }).toFile('median.webp');

// 2. 自定义 3×3 浮雕 (Emboss) 卷积核，指定 scale=1 与 offset=128
await sharp('input.jpg')
  .convolve({
    width: 3,
    height: 3,
    kernel: [-2, -1, 0, -1, 1, 1, 0, 1, 2],
    scale: 1,
    offset: 128,
  })
  .webp({ quality: 82 })
  .toFile('emboss.webp');

import pyvips

image = pyvips.Image.new_from_file("input.jpg")

# 1. 3×3 中值滤波
median = image.median(3)

# 2. 自定义 3×3 卷积核（scale 与 offset 挂载在矩阵图像属性上）
kernel = pyvips.Image.new_from_array(
    [[-2, -1, 0], [-1, 1, 1], [0, 1, 2]],
    scale=1.0,
    offset=128.0,
)
emboss = image.conv(kernel, precision="integer")
emboss.write_to_file("emboss.webp", Q=82)

# 3×3 中值滤波
vips rank input.jpg 'median.webp[Q=82]' 3 3 4

高斯模糊、LAB 锐化参数与自定义卷积核

1. 高斯模糊（GaussianBlur / gaussblur）：sigma 与 min_ampl

2. LAB 亮度通道 USM 锐化（Sharpen）参数拆解

3. 中值滤波去椒盐噪点（Rank / median）与自定义卷积核（convolve / conv）

来源

1. 高斯模糊（`GaussianBlur` / `gaussblur`）：`sigma` 与 `min_ampl`

2. LAB 亮度通道 USM 锐化（`Sharpen`）参数拆解

3. 中值滤波去椒盐噪点（`Rank` / `median`）与自定义卷积核（`convolve` / `conv`）