未归一化图像为何无法正常执行卷积（USM锐化）操作？

问题重现 #

使用Unsharp Masking（USM）锐化处理像素范围[0,255]的灰度图像时，输出图像出现色彩错乱的乱码；但将图像归一化到[0,1]范围后，能得到边缘清晰的预期锐化效果。核心疑惑是：常数归一化在频域不会改变信号特性，为何会影响最终结果？

根本原因：数据类型溢出 #

问题和频域特性无关，核心是无符号整数（uint8）的数值溢出问题：

• 原始图像加载后默认是uint8类型（取值0-255），当执行USM计算img + alpha*(img - blurred)时，中间结果很容易超出uint8的取值范围：
  • 若计算结果大于255，uint8会自动执行模256截断（比如258→2）；
  • 若计算结果为负数（比如暗部区域的img - blurred为负），uint8会将负数转换为大正数（比如-1→255）。
• 即便后续用np.clip(...,0,255)，也无法挽回溢出导致的数值错误——因为溢出已经在计算过程中发生了。

而归一化到[0,1]后：

• 图像转为float32/float64类型，数值计算时不会有溢出限制，所有中间结果都能正确保留，最后通过clip约束到0-1范围，再由matplotlib.imshow自动映射为0-255的显示值，结果自然正常。

无需归一化的修正方案 #

不需要必须归一化，只要在计算前将图像转为浮点类型即可：

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from scipy.ndimage import gaussian_filter

# 加载图像后转为浮点类型（保留0-255范围）
img1 = cv.cvtColor(cv.imread("your_image_path.jpg"), cv.COLOR_BGR2GRAY).astype(np.float32)

def first_method(img, alpha, sigma):
  blurred = gaussian_filter(img, sigma=sigma)
  # 计算后clip并转回uint8
  return np.clip(img + alpha * (img - blurred), 0, 255).astype(np.uint8)

best_first = first_method(img1, alpha=0.75, sigma=1.5)

f, axarr = plt.subplots(1,2,figsize=(20,20)) 
axarr[0].imshow(img1, cmap="gray")
axarr[0].set_title('Original')
axarr[1].imshow(best_first, cmap="gray")
axarr[1].set_title('Sharpened using the first method')
plt.show()

补充说明 #

• 频域中常数因子不改变信号特性的结论是正确的，但这里的问题完全发生在空域数值计算阶段，和频域分析无关；
• matplotlib.imshow对uint8和float类型的处理逻辑不同：uint8直接按0-255显示，float则默认将0-1映射为0-255，这也是归一化后显示正常的一个辅助因素，但核心还是浮点类型避免了溢出。

内容的提问来源于stack exchange，提问作者Arya J