Python代码实现图像增强（线性变换、对数变换、幂律变换、分段线性变换、灰度级分层

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

    else:
        level_img[i, j] = gray_img[i, j]

cv2.imshow(‘origin image’, imutils.resize(image, 480))
cv2.imshow(‘level image’, imutils.resize(level_img, 480))
if cv2.waitKey(0) == 27:
cv2.destroyAllWindows()

效果：


![](https://img-blog.csdnimg.cn/1da470e283084dffa801a6ff75100ffc.png)



## 4. 幂律变换


代码：

import math
import numpy as np
import cv2
import imutils

#幂律变换 φ>1

# image = cv2.imread(‘E:/1.png’)

image = cv2.imread(‘E:/1.png’)
gamma_img1 = np.zeros((image.shape[0], image.shape[1], 3), dtype=np.float32)
for i in range(image.shape[0]):
for j in range(image.shape[1]):
gamma_img1[i, j, 0] = math.pow(image[i, j, 0], 5)
gamma_img1[i, j, 1] = math.pow(image[i, j, 1], 5)
gamma_img1[i, j, 2] = math.pow(image[i, j, 2], 5)
cv2.normalize(gamma_img1, gamma_img1, 0, 255, cv2.NORM_MINMAX)
gamma_img1 = cv2.convertScaleAbs(gamma_img1)
cv2.imshow(‘image’, imutils.resize(image, 400))
cv2.imshow(‘gamma1 transform’, imutils.resize(gamma_img1, 400))
if cv2.waitKey(0) == 27:
cv2.destroyAllWindows()

#幂律变换，φ<1

image = cv2.imread(‘E:/1.png’)

image = cv2.imread(‘E:/city.png’)
gamma_img2 = np.zeros((image.shape[0], image.shape[1], 3), dtype=np.float32)
for i in range(image.shape[0]):
for j in range(image.shape[1]):
gamma_img2[i, j, 0] = math.pow(image[i, j, 0], 0.4)
gamma_img2[i, j, 1] = math.pow(image[i, j, 1], 0.4)
gamma_img2[i, j, 2] = math.pow(image[i, j, 2], 0.4)
cv2.normalize(gamma_img2, gamma_img2, 0, 255, cv2.NORM_MINMAX)
gamma_img2 = cv2.convertScaleAbs(gamma_img2)
cv2.imshow(‘image’, imutils.resize(image, 400))
cv2.imshow(‘gamma2 transform’, imutils.resize(gamma_img2, 400))
if cv2.waitKey(0) == 27:
cv2.destroyAllWindows()

效果：


![](https://img-blog.csdnimg.cn/edc86fe2d0184428805af04063af596d.png)



## 5. 阈值处理


代码：

import cv2
import imutils
import numpy as np

image = cv2.imread(‘E:/1.png’)
gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

#阈值处理函数：当r1=r2, s1=0, s2=L-1时，此时分段线性函数便是阈值处理函数
plist = []
for i in range(gray_img.shape[0]):
for j in range(gray_img.shape[1]):
plist.append(gray_img[i, j])
r_avg = int(sum(plist)/len(plist))
thresh_img = np.zeros((gray_img.shape[0], gray_img.shape[1]), dtype=np.uint8)
for i in range(gray_img.shape[0]):
for j in range(gray_img.shape[1]):
if gray_img[i, j] < r_avg:
thresh_img[i, j] = 0
else:
thresh_img[i, j] = 255

cv2.imshow(‘origin image’, imutils.resize(image, 480))
cv2.imshow(‘thresh image’, imutils.resize(thresh_img, 480))
if cv2.waitKey(0) == 27:
cv2.destroyAllWindows()

效果：


![](https://img-blog.csdnimg.cn/bde6e8cb184a455fa09efc41ab899d7d.png)



## 6. 直方图均衡化


代码：

import cv2
import imutils
import numpy as np
import matplotlib.pyplot as plt

wiki_img=cv2.imread(‘E:/1.PNG’)
wiki_gray=cv2.cvtColor(wiki_img,cv2.COLOR_BGR2GRAY)

#对图像进行均衡化处理，增强图像对比度
wiki_equ=cv2.equalizeHist(wiki_gray)

hist=cv2.calcHist([wiki_gray],[0],None,[256],[0,256])
equ_hist=cv2.calcHist([wiki_equ],[0],None,[256],[0,256])
fig=plt.figure()
ax1=fig.add_subplot(1,2,1)
ax1.plot(hist)
ax2=fig.add_subplot(1,2,2)
ax2.plot(equ_hist)
plt.show()

cv2.imshow(‘wiki_origin’,imutils.resize(wiki_img,400))
cv2.imshow(‘wiki_gray’,imutils.resize(wiki_gray,400))
cv2.imshow(‘wiki_equ’,imutils.resize(wiki_equ,400))
if cv2.waitKey(0)==27:
cv2.destroyAllWindows()

效果：


![](https://img-blog.csdnimg.cn/1805ba02a1704701b0c3cd95ad6db3ac.png)


 ![](https://img-blog.csdnimg.cn/fba5213a88a940499c6318904865d25c.png)




## 7. 均值滤波器


代码：

import cv2
import copy
import random
import imutils
import numpy as np

img=cv2.imread(‘E:/1.PNG’)
gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#利用OpenCV提供函数实现均值滤波
blur_img=cv2.blur(gray_img,(3,3))

#在灰度图上手动实现均值滤波器
gray_avg_img=copy.deepcopy(gray_img) #在复制图像上修改，首先复制一份
for i in range(1,gray_img.shape[0]-1):
for j in range(1,gray_img.shape[1]-1):
sum_pix=sum([gray_img[l,k] for l in range(i-1,i+2) for k in range(j-1,j+2)]) #range函数写到i+2实际遍历到i+1，j+1同理
gray_avg_img[i,j]=int(sum_pix/9) #9个点求和除均值，均值滤波实现

#在RGB彩色图上手动实现均值滤波
rgb_avg_img=copy.deepcopy(img)
for i in range(1,img.shape[0]-1):
for j in range(1,img.shape[1]-1): #RGB三个通道，实现三次
sum_b_pix=sum([img[l,k,0] for l in range(i-1,i+2) for k in range(j-1,j+2)])
sum_g_pix = sum([img[l, k, 1] for l in range(i - 1, i + 2) for k in range(j - 1, j + 2)])
sum_r_pix = sum([img[l, k, 2] for l in range(i - 1, i + 2) for k in range(j - 1, j + 2)])
rgb_avg_img[i,j]=[int(sum_b_pix/9),int(sum_g_pix/9),int(sum_r_pix/9)]

cv2.imshow(‘origin image’,imutils.resize(img,500))
cv2.imshow(‘gray image’,imutils.resize(gray_img,500))
cv2.imshow(‘blur image’,imutils.resize(blur_img,500))
cv2.imshow(‘gray average image’,imutils.resize(gray_avg_img,500))
cv2.imshow(‘rgb average image’,imutils.resize(rgb_avg_img,500))
if cv2.waitKey(0) == 27:
cv2.destroyAllWindows()

效果：


![](https://img-blog.csdnimg.cn/8fb6c3c79212434f8c53908903710a8c.png)



## 8. 最大、最小、中值滤波器


代码：

import cv2
import copy
import random
import imutils
import numpy as np

img=cv2.imread(‘E:/1.PNG’)
gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#给灰度图像自动添加椒盐噪声
pepper_img=copy.deepcopy(gray_img)
for i in range(gray_img.shape[0]):
for j in range(gray_img.shape[1]):
if random.randint(0,20)==0:
pix=random.randint(250,255)
pepper_img[i,j]=pix

#opencv提供CV2.medianBlur()函数实现中值滤波
blur_img=cv2.medianBlur(pepper_img,5)

#自实现中值滤波
temp_arr=np.zeros((9))
median_img=copy.deepcopy(pepper_img)
max_img=copy.deepcopy(pepper_img)
min_img=copy.deepcopy(pepper_img)
for i in range(1,pepper_img.shape[0]-1): #九个数字全部提取出来
for j in range(1,pepper_img.shape[1]-1):
temp_arr[0] = pepper_img[i - 1, j - 1]
temp_arr[1] = pepper_img[i - 1, j]
temp_arr[2] = pepper_img[i - 1, j + 1]
temp_arr[3] = pepper_img[i - 1, j - 1]
temp_arr[4] = pepper_img[i, j - 1]
temp_arr[5] = pepper_img[i, j]
temp_arr[6] = pepper_img[i, j + 1]
temp_arr[7] = pepper_img[i + 1, j - 1]
temp_arr[8] = pepper_img[i + 1, j]
arr = np.sort(temp_arr) #从小到大排序
median_img[i,j]=arr[4]
max_img[i,j]=arr[8]
min_img[i,j]=arr[0]

rgb_avg_img=copy.deepcopy(img)
for i in range(1,img.shape[0]-1):
for j in range(1,img.shape[1]-1):
sum_b_pix = sum([img[l,k,0] for l in range(i-1,i+2) for k in range(j-1,j+2)])
sum_g_pix = sum([img[l, k, 1] for l in range(i - 1, i + 2) for k in range(j - 1, j + 2)])
sum_r_pix = sum([img[l, k, 2] for l in range(i - 1, i + 2) for k in range(j - 1, j + 2)])
rgb_avg_img[i,j]=[int(sum_b_pix/9),int(sum_g_pix/9),int(sum_r_pix/9)]

cv2.imshow(‘pepper image’,imutils.resize(pepper_img,600))
cv2.imshow(‘blur image’,imutils.resize(blur_img,600))
cv2.imshow(‘median image’,imutils.resize(pepper_img,600))
cv2.imshow(‘mean image’,imutils.resize(rgb_avg_img,600))
cv2.imshow(‘max image’,imutils.resize(max_img,600))
cv2.imshow(‘min image’,imutils.resize(min_img,600))

if cv2.waitKey(0)==27:
cv2.destroyAllWindows()

效果：


![](https://img-blog.csdnimg.cn/7cda8ef8bd6649e1bad3ba1c9aed2684.png)



## 9. 锐化滤波器


代码：

import cv2
import numpy as np
import matplotlib.pyplot as plt

#读取图像
img=cv2.imread(‘E:/1.PNG’)
girl_img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

#灰度化处理图像
grayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#高斯滤波
gaussianBlur=cv2.GaussianBlur(grayImage,(3,3),0)

#阈值处理
ret,binary=cv2.threshold(gaussianBlur,127,255,cv2.THRESH_BINARY) #小于127变0，在127到255之间的变1

#Roberts算子
kernelx=np.array([[-1,0],[0,1]],dtype=int)
kernely=np.array([[0,-1],[1,0]],dtype=int)
x=cv2.filter2D(binary,cv2.CV_16S,kernelx)
y=cv2.filter2D(binary,cv2.CV_16S,kernely)
absX=cv2.convertScaleAbs(x)

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！