一般图像中都会存在较强和和较弱的边缘，目前主流的ISP都支持对这两种纹理施加不同的锐化系数（strength)，可以使两种纹理都能收到最佳的锐化效果，相反如果整幅图像只用一个系数则难免顾此失彼。区分纹理强弱的主要依据是图像的方差。方差越大意味着纹理越强。
我们希望增强图像的真正边缘区，因此对局部方差较小的地方 (可能是噪声)不予增强 ，为避免过增强，对高方差部分减小增强幅度。
通过一种新的增强算法对图像进行处理，得到细节增强的锐化效果，分析处理效果，edge清楚，detail细腻，artifact较少，适合多场景图像处理，处理速度较快，能够满足实时化处理。暂时命名为极锐，简单易理解的名字，后续再优化。本算法可以通过控制参数的大小调节增强效果的强弱，非常适合。
效果展示
原图：
中强度锐化效果图：
高强度锐化效果图：
与最常用的非锐化掩蔽方法和拉普拉斯高斯锐化方法相比，该框架的锐化效果在峰值信噪比和结构相似度指标值上具有竞争优势，能够获得更理想的视觉效果。进一步增强锐化图像的边缘，可能有助于更好的边界跟踪和更高的分割精度。
锐化是提高边缘检测性能的另一个关键环节。它有助于强调图像中物体的微小细节和边界。一般在后期处理阶段进行，以增强整体图像的可视性和质量。它还可以与边缘检测算子一起工作，以得到更好的边缘分割。目前有两种知名且最流行的锐化算法:高斯高通滤波法和非锐化掩蔽法。
现有的基于梯度的边缘检测器在简单性和梯度估计方面有很多优点。另一方面，噪声的大小和边缘的大小也会影响近似。总的来说，这些算子不能实现准确的边缘检测，尤其是那些较薄和较弱的边缘。提出了一种基于四个方向滤波器的微型Kirsch边缘检测方法，从各个角度对目标进行边缘检测。在原有的八方向滤波器Kirsch边缘检测方法的基础上，在所有方向上的梯度幅值上测量最大边缘幅值。然后将归一化的边缘检测结果添加到原始输入的测试图像中进行锐化处理。将该方法与Sobel、Prewitt、Roberts、LoG、Canny和Kirsch等算法的边缘检测性能进行了比较，并对其锐化效果、非锐化掩蔽和LoG进行了检验。
测试程序
matlab测试程序路径如下：
https:/github.com//AomanHao/ISP_Infrared_Image_Process/DetailEnhance
