先进行低频滤波再进行高频增强-Go服务器开发

如果您想先进行低频滤波，再对图像进行高频增强，可以按照以下步骤实现：

低频滤波：可以使用高斯模糊（Gaussian Blur）来去除图像中的高频噪声。这个过程将平滑图像并保留主要的轮廓信息。
高频增强：在此基础上，使用拉普拉斯算子提取高频部分，并将其与低通滤波后的图像相结合。

以下是代码示例：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // 读取输入图像
    Mat image = imread("Data/img_test_out/1.第一面正视图/1-1.bmp", IMREAD_GRAYSCALE);

    if (image.empty()) {
        cerr << "Error: Could not open or find the image!" << endl;
        return -1;
    }

    // 进行低频滤波（高斯模糊）
    Mat lowPassImage;
    GaussianBlur(image, lowPassImage, Size(5, 5), 0);

    // 创建输出图像用于存储拉普拉斯结果
    Mat laplacianImage;

    // 应用拉普拉斯算子获取高频信息
    Laplacian(image, laplacianImage, CV_16S, 3);
    
    // 转换为可显示的8位格式
    Mat absLaplacianImage;
    convertScaleAbs(laplacianImage, absLaplacianImage);

    // 增强高频部分（将原始图和拉普拉斯结果相加）
    Mat enhancedImage;
    
    double alpha = 0.5; // 低频权重（原始平滑图权重）
    double beta = 0.5;  // 高频权重（可调节）

   addWeighted(lowPassImage, alpha, absLaplacianImage, beta, 0, enhancedImage);

   // 显示结果
   imshow("Original Image", image);
   imshow("Low Pass Image", lowPassImage);
   imshow("Laplacian Image", absLaplacianImage);
   imshow("Enhanced Image", enhancedImage);

   // 保存输出（可选）
   imwrite("enhanced_image.bmp", enhancedImage);

   waitKey(0); // 等待按键
   return 0;
}

分析

低频滤波：使用 GaussianBlur() 函数对输入图像进行模糊处理，以获得较为平滑的版本。Size(5, 5) 指定了卷积核的大小，您可以根据需要调整。
提取高频信息：使用 Laplace() 提取边缘或细节。通过将其转换为绝对值形式，得到可显示的8位格式。
加权合成：使用 addWeighted() 将低通和经过增强的高通部分组合在一起。在这里，通过调整 alpha 和 beta 值，可以控制最终效果。
显示和保存结果：最后，通过 OpenCV 的 imshow() 显示每个阶段的结果，并且可以选择性地保存增强后的图像。