用Skimage学习数字图像处理（008）：图像空域增强之灰度级点运算

Jason 2008

已于 2024-02-12 10:05:30 修改

阅读量401

点赞数 5

分类专栏：用skimage学习数字图像处理文章标签：学习 scikit-learn 图像处理 python 计算机视觉人工智能

于 2024-02-08 01:45:59 首次发布

本文链接：https://blog.csdn.net/ahhjian/article/details/136075641

版权

用skimage学习数字图像处理专栏收录该内容

21 篇文章 8 订阅

订阅专栏

本文介绍了图像空域增强的基本概念，重点讲解了Skimage库中的灰度级点运算技术，如反色变换、对数变换、幂次变换（伽马校正）、Sigmoid变换和对比度拉伸，以及如何使用这些技术提升图像视觉质量。

摘要由CSDN通过智能技术生成

从本节开始，开始介绍图像空域增强的内容。本节为上篇，介绍一类基础图像空域增强技术：面向灰度级的点运算。

通过本节的学习，读者将初步了解图像空域增强中常用的灰度级点运算，比如Gamma校正、幂次变换、对比度拉伸、反色变换等等。这一部分主要用到了Skimage中的exposure模块。

5.1 概述

从本节开始，进入到图像处理中的一个重要而基础的领域：图像空域增强（Spatial Enhancement）。该领域是伴随着数字图像处理学科的开始涌现出的一个基本问题。

图像增强的目的是提高图像的视觉质量，也可以是使特定的特征显得更加突出。这类技术更多的是从主观感受出发，通常不会涉及图像质量退化模型，这点是与后面章节讨论的图像复原最明显的区别。从处理结果出发，典型的图像增强技术包括对比度增强、图像平滑和锐化等。

下图所示为labview软件提供的各类经典图像增强技术的分类图，同样适用于本教程。

（经典图像增强技术分类，来自labview介绍文档）

参照上图，简要介绍经典图像增强技术的分类。

按照作用域不同，分为空域增强和频域增强两类，两者比较，空域增强占主导地位；
频域增强可按照功能进行划分（如低通、高通、带阻等），也可按照频域类型划分（如傅里叶域、小波域等）；
空域增强技术，按照是否使用邻域信息，可分为点运算和邻域滤波，点运算有可进一步分为灰度变换和直方图变换等。

各种增强技术有自身的特点，有的技术实现简单，但性能单一，有的技术功能强大，但计算复杂。我们将参考上图的分类方式，逐一介绍几种有代表性技术基于Skimage的具体实现。至于各类技术的工作原理，不再详细介绍，请各位参考相关文献。

5.2 基于点运算的图像增强

点运算是对输入图像的各个像素应用变换函数 $T$ ，对应输出图像的像素点为 $g(x,y)$ ，上述过程可表示为 $g(x,y)=T\left [ f(x,y) \right ]$ ，该变换用不到位置信息 $(x,y)$ ，因此该变换可改写为 $s=T(r)$ ，其中r和s分别代表输入图像灰度值和对应的输出图像灰度值。因此，各种点运算的区别在于T的定义方式的不同。

按照灰度映射函数的性质，灰度变换可以分为线性变换、分段线性和非线性变换，非线性变换中对数变换、指数变换和幂律变换（n次幂、n次根）最为常用。

5.2.1 反色变换（图像反转）

图像反色（Invert）变换，又称为图像反转，是将深色像素点变浅色，浅色像素点变深色。广义的反色变换也可以应用于彩色图像，即对所有像素点取补。

图像的反转处理可以增强暗色区域中的白色或灰色细节，对应的变换定义为： $s=T(r)=255-r$

如果待处理图像的灰度级范围是[0,1]，则反色变换为 $s=T(r)=1-r$ 。

在Skimage中，使用util.invert直接完成反色处理。

invert函数完成反色处理。

看一下warp函数的声明：

skimage.util.invert(image, signed_float)

部分参数说明：

image：输入图像。
signed_float：实型标志，默认为False。如果设为True，则范围为[-1,1]，否则，根据图像数据类型来确定范围。

返回值：

inverted：变换后的图像，与输入图像相同。

对于不同数据类型的图像，反色处理方式略有不同：

无符号整型：用灰度值的理论最大值减去当前灰度值，对于[0,255]范围内的的灰度或彩色图像，s=255-r。
有符号整型：此时图像灰度值取值范围是[-128,127]，对应的反色处理是s=r*(-1)-1，但这类情况很少用到。
实型：如果signed_float标志位是True，则s=1-r，否则，s=r*(-1)。

给出一段基于invert函数的代码，读者可自行确认处理结果。

img1 = np.array([[100,  0, 200], [  0, 50,   0], [ 30,  0, 255]], np.uint8)
invert(img1)
print(img1)

img2 = np.array([[ -2, 0, -128], [127, 0,    5]], np.int8)
invert(img2)
print(img2)

img3 = np.array([[ 0., 1., 0.5, 0.75]])
invert(img3)
print(img3)

img4 = np.array([[ 0., 1., -1., -0.25]])
invert(img4, signed_float=True)
print(img4)

四种反色处理输出结果为：

array([[155, 255, 55], [255, 205, 255],[225, 255, 0]], dtype=uint8)

array([[1, -1, 127], [-128, -1, -6]], dtype=int8)

array([[1. , 0. , 0.5 , 0.25]])

array([[-0. , -1. , 1. , 0.25]])

5.2.2 对数（反对数）变换

图像的对数变换可以增强暗色区域中的白色或灰色细节，对应的变换定义为： $s=T(r)=c\cdot log_2(r+1)$

常数𝑐用来调整放缩倍数，“+1”操作是为了避免𝑟=0的情况，注意，对数变换是以2为底的，不是e或10。

在Skimage中，使用adjust_gamma函数完成反色处理。

adjust_gamma函数用于完成对数/反对数变换。

看一下adjust_gamma函数的声明：

skimage.exposure.adjust_log(image, gain, inv)

部分参数说明：

image：输入图像。
gain：增益值，对应于c，默认值为1。
inv：操作标志位，默认为False，对应着对数比那换。如果设为True，则为反对数变换。

返回值：

out：对数变换后的图像。

以下是有关对数变换功能的说明，可参考：

对数曲线在像素值较低的区域斜率大，在像素值较高的区域斜率小。对数变换将输入中范围较窄的低灰度值映射为范围较宽的灰度级，输入中的高灰度值则被映射为范围较窄的灰度级。对数变换后，较暗区域的对比度提升，可以增强图像的暗部细节。
对数变换实现了扩展低灰度值而压缩高灰度值的效果，广泛应用于频谱图像的显示中。对数变换的典型应用是傅立叶频谱的动态范围很宽，直接显示时受显示设备动态范围的限制而丢失大量的暗部细节；使用对数变换将图像的动态范围进行非线性压缩后，就可以清晰地显示。

5.2.3 幂次变换（Gamma变换）

图像的幂次变换（Power Law），又称为Gamma变换，可以提升暗部细节，对发白（曝光过度）或过暗（曝光不足）的图片进行矫正。

幂次变换定义为： $s=T(r)=c\cdot r^{\gamma}$

常数𝑐用来调整放缩倍数，幂次𝛾值的大小用于调整变换的功能，详情如下：

当 𝛾>1时，压缩低灰度级，扩展高灰度级，图像整体变暗；
当 𝛾<1时，扩展低灰度级，压缩高灰度级，图像整体变亮；

（幂次变换函数说明，改编自参考文献1）

在Skimage中，使用adjust_gamma函数完成反色处理。

adjust_gamma函数用于完成幂次变换。

看一下warp函数的声明：

skimage.exposure.adjust_gamma(image, gamma, gain)

部分参数说明：

image：输入图像。
gamma：非负实数，默认值为1.0，不同的gamma值，对应不同功能，见前面的注释。
gain：增益值，默认值为1.0。

返回值：

inverted：变换后的图像，与输入图像相同。

幂次变换通过非线性变换对人类视觉特性进行补偿，最大化地利用有效的灰度级带宽。很多拍摄、显示、打印设备的亮度曲线都符合幂律曲线，因此幂次变换广泛应用于各种设备显示效果的调校，称为伽马校正。

5.2.4 Sigmoid变换

无论是对数（反对数）变换，还是幂次变换，当参数确定后，都只能压缩（或拉伸）低灰度级，不能完成中间区域灰度级的拉伸。基于这种情况，Skimage在exposure模块中引入了sigmoid函数，完成上述功能。

标准的Sigmoid函数定义为： $sigmoid(x)=\frac{1}{1+e^{-x}}$ ，但该函数是关于x=0对称的。假设图像灰度级范围归一化到[0,1]之间，则一种基于Sigmoid函数的灰度级拉伸函数可定义为：

$sigmoid(x)=\frac{1}{1+e^{c(0.5-x)}}$

式中，c为增益值，用于控制变换函数的形状。

SKimage通过adjust_sigmoid函数完成相应的变换。

adjust_sigmoid函数用于完成Sigmoid变换。

看一下warp函数的声明：

skimage.exposure.adjust_sigmoid(image, cutoff, gain, inv)

部分参数说明：

image：输入图像。
cutoff：对应水平方向上灰度值的偏移量，默认值为0.5。
gain：增益值，用于控制sigmoid函数的变化快慢，默认值为10.0。
inv：操作标志位，默认为False，对应着正Sigmoid变换；如果设为True，则为负Sigmoid变换（注意，不是逆变换）。

返回值：

out：Sigmoid变换后的图像。

5.2.5 灰度级拉伸变换

前面介绍的各种灰度级点运算中，除了反色变换，其他都可归为非线性变换。Skimage还提供了一种简单有效的分段线性变换函数，完成常用的灰度级拉伸功能。

SKimage通过rescale_intensity函数完成相应的变换。

adjust_sigmoid函数用于完成Sigmoid变换。

看一下warp函数的声明：

skimage.exposure.rescale_intensity(image, in_range, out_range)

部分参数说明：

image：输入图像。
in_range：输入图像范围[in_min, in_max]，有四种设置方式，参考后面。
out_range：输出图像显示范围[out_min, in_out]，参数设置方式如下：

'image'：Use image min/max as the intensity range.

'dtype'： Use min/max of the image’s dtype as the intensity range.

dtype-name：Use intensity range based on desired dtype. Must be valid key in DTYPE_RANGE.

2-tuple：Use range_values as explicit min/max intensitie

返回值：

out：灰度级拉伸变换后的图像。

有如下语句：

rescale_intensity(image, in_range=(in_min, in_max), out_range=(out_min, out_max))

该函数完成的功能是将原图像像素值先裁剪到 in_range 范围内（即将小于in_min的灰度级都赋值为in_min, 大于in_max的灰度值, 赋值in_max），再进行归一化处理，即(image-in_min) / in_max - in_min) 后，然后再放大至out_range 区间内[out_min, out_max]。一般out_range设置为[0,255]。

经过上述步骤处理之后，原图像小于in_min灰度值会被设置为out_min，大于in_max的灰度值会被设置为out_max，[in_min, in_max]之间的灰度值，会被线性拉伸至[out_min, out_max]范围内。

5.2.6 综合实例

以下是改编自官方文档的实例，分别完成对数变换、幂次变换、Sigmoid变换和线性拉伸。（此例还需要补充后面两种变换的代码）

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

from skimage import data, img_as_float
from skimage import exposure

# Load an example image
img = data.moon()

# Gamma
gamma_corrected = exposure.adjust_gamma(img, 2)

# Logarithmic
logarithmic_corrected = exposure.adjust_log(img, 1)

# Display results
fig = plt.figure(figsize=(8, 5))
axes = np.zeros((2, 3), dtype=object)
axes[0, 0] = plt.subplot(2, 3, 1)
axes[0, 1] = plt.subplot(2, 3, 2, sharex=axes[0, 0], sharey=axes[0, 0])
axes[0, 2] = plt.subplot(2, 3, 3, sharex=axes[0, 0], sharey=axes[0, 0])

ax_img, ax_hist, ax_cdf = plot_img_and_hist(img, axes[:, 0])
ax_img.set_title('Low contrast image')

ax_img, ax_hist, ax_cdf = plot_img_and_hist(gamma_corrected, axes[:, 1])
ax_img.set_title('Gamma correction')

ax_img, ax_hist, ax_cdf = plot_img_and_hist(logarithmic_corrected, axes[:, 2])
ax_img.set_title('Logarithmic correction')

# prevent overlap of y-axis labels
fig.tight_layout()
plt.show()

上图从左至右分别是：原图、对数变换结果图、幂次变换结果图。由处理及过可见，由于𝛾>1，经幂次变换后，低灰度级被压缩，图像整体变暗；与之相反，经对数变换后，低灰度级被扩展，图像整体变亮。

（本节初稿完成时间：2024-02-11）

（欢迎对DIP+python算法开发感兴趣的初学者，尤其是相关专业本科和低年级研究生关注，本专栏完将持续更新，总篇数不会少于50篇，每篇不会少于5000字，专栏完成之前（估计至少半年）完全免费阅读，敬请关注）

Jason 2008

关注

5
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
用Skimage学习数字图像处理（008）：图像空域增强之灰度级点运算

从本节开始，开始介绍图像空域增强的内容。本节为上篇，介绍一类基础图像空域增强技术：面向灰度级的点运算。通过本节的学习，读者将初步了解图像空域增强中常用的灰度级点运算，比如Gamma校正、对比度拉伸、反色变换等等。这一部分主要用到了Skimage中的exposure模块。
复制链接

扫一扫