3.3 图像灰度变换之伽马变换

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

在上一章，我们介绍了什么是图像的灰度变换，以及灰度变换中的图像反转。图像变换的函数式可以表示如下：$$g(x,y)=F(f(x,y))f(x,y)是位于图像点(x,y)处的像素的值$$这一章我们来讨论图像的伽马变换（幂律变换）。

---

1. 伽马变换原理

伽马变换（幂律变换），顾名思义就是对像素值进行幂运算，公式如下：$$g(x,y)=cf(x,y{)}^{\gamma }$$$$其中f(x,y)是位于图像点(x,y)处的像素的值,g(x,y)是变换后的像素值，c,\gamma 是常数$$

1.1 伽马像素变换效果

上图是$\gamma$取不同值$F(f(x,y))$的伽马变换曲线，我们可以从伽马变换曲线可以看出伽马变换有如下特点：

• 当$\gamma$小于1时伽马变换意在对图像进行增强（使图像变亮），并降低图像的对比度，增强的效果与对换变换类似，只是曲线变化细节不同
• 当$\gamma$等于1时，噶玛变换进行的是恒等变换
• 当$\gamma$大于1时，噶玛变换将会使图像整体变暗，并且会增大图像的对比度（中间级别的像素降低的比两边多）

1.2 效果绘制代码

import numpy as np
import matplotlib.pyplot as plt


def uniformArray(array):
    # 计算数组的最小值和最大值
    min = np.min(array)
    max = np.max(array)

    # 归一化处理并缩放到0到255
    normArray = ((array - min) / (max - min)) * 255

    return normArray


if __name__ == '__main__':
    # 定义 x 的范围
    x = np.arange(0, 255)

    # 绘制图像
    gammas = [0.04, 0.1, 0.2, 0.4, 0.67, 1.0, 1.5, 2.5, 5.0, 10.0, 25.0]
    labels = ["gamma = 0.04", "gamma = 0.1", "gamma = 0.2", "gamma = 0.4", "gamma = 0.67", "gamma = 1.0",
              "gamma = 1.5", "gamma = 2.5", "gamma = 5.0", "gamma = 10.0", "gamma = 25.0"]
    colors = ["lightgreen", "green", "greenyellow", "lightblue", "blue", "darkblue", "yellow", "orange", "pink", "red",
              "gray"]

    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['font.size'] = 15
    plt.figure(figsize=(10, 10))
    plt.xlabel('f(x,y)')
    plt.ylabel('g(x,y)')
    plt.title('伽马变换')
    plt.grid(True)
    plt.xlim(0, 255)  # 设置 x 轴的范围
    plt.ylim(0, 255)  # 设置 y 轴的范围

    for i in range(len(gammas)):
        y = uniformArray(np.power(x, gammas[i]))
        plt.plot(x, y, label=labels[i], color=colors[i])

    plt.legend()
    plt.savefig("image/tmp.png")
    plt.show()

2. 噶玛变换示例

话不多说，我们直接看对数变换的示例和真实效果，下面实例取自 数字图像处理(冈萨雷斯)第四版

2.1 示例一

下面的示例是处理一个人的上胸椎骨折脱位的核磁共振图像(MRI)，这个示例中图像有个明显的特征，就是图像偏暗（其实就是告诉你图像偏暗可以考虑的一种处理方式）。

2.1.1 示例代码

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
from pylab import *


def applyGamma(img, gamma: float):
    # 先将图像进行归一化处理
    normalizedImg = img / 255.0

    # 应用gamma变换
    gammaImg = np.power(normalizedImg, gamma)

    # 将像素值恢复到 [0, 255] 的范围
    dst = np.uint8(gammaImg * 255)

    return dst

if __name__ == '__main__':

    # 读取灰度图像
    imgGray = cv.imread('Image/Fig0303.tif', 0)
    imgGamma1 = applyGamma(imgGray, 0.6)
    imgGamma2 = applyGamma(imgGray, 0.4)
    imgGamma3 = applyGamma(imgGray, 0.3)

    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.figure(figsize=(7, 9))
    titleList = ["Original Image", "gamma=0.6", "gamma=0.4", "gamma=0.3"]
    imageList = [imgGray, imgGamma1, imgGamma2, imgGamma3]
    for i in range(4):
        plt.subplot(2, 2, i + 1), plt.title(titleList[i]), plt.axis('off')
        plt.imshow(imageList[i], vmin=0, vmax=255, cmap='gray')
    plt.tight_layout()
    plt.savefig("Image/tmp.png")
    plt.show()

2.1.2 示例效果

上图中的原图，我们可以看到骨折的裂缝，但是很明显的效果偏暗，因此通过伽马变换扩展图像的灰度级，并且使用不同的 $\gamma (\gamma =0.6,\gamma =0.4,\gamma =0.3)$ 值扩展灰度级来进行比较，从上图中我们可以看出：

• $\gamma$=0.6时，图像明显变亮，而且图像的对比度有所降低，但是效果貌似更好
• $\gamma$=0.4时，图像进一步变亮，图像的对比度进一步降低，而且背景中出现了更多的细节(小黑点)，但是整个图像的增强效果貌似更好
• $\gamma$=0.3时，图像的亮度有些过了，甚至给人一种苍白的感觉，而且图像的对比度太低了

2.2 示例二

下面的示例是处理一张航拍图，这个示例中图像有个明显的特征，就是图像偏亮，显得有些苍白（其实就是告诉你图像偏亮可以考虑的一种处理方式）。

2.2.1 示例代码

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
from pylab import *


def applyGamma(img, gamma: float):
    # 先将图像进行归一化处理
    normalizedImg = img / 255.0

    # 应用gamma变换
    gammaImg = np.power(normalizedImg, gamma)

    # 将像素值恢复到 [0, 255] 的范围
    dst = np.uint8(gammaImg * 255)

    return dst

if __name__ == '__main__':

    # 读取灰度图像
    imgGray = cv.imread('Image/Fig0304.tif', 0)
    imgGamma1 = applyGamma(imgGray, 3.0)
    imgGamma2 = applyGamma(imgGray, 4.0)
    imgGamma3 = applyGamma(imgGray, 5.0)

    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.figure(figsize=(7, 7))
    titleList = ["Original Image", "gamma=3.0", "gamma=4.0", "gamma=5.0"]
    imageList = [imgGray, imgGamma1, imgGamma2, imgGamma3]
    for i in range(4):
        plt.subplot(2, 2, i + 1), plt.title(titleList[i]), plt.axis('off')
        plt.imshow(imageList[i], vmin=0, vmax=255, cmap='gray')
    plt.tight_layout()
    plt.savefig("Image/tmp.png")
    plt.show()

2.2.2 示例效果

感觉这个效果图都不用分析，因为图像增强效果太明显了，整体变暗，但是对比度增加，效果更加清晰。