Python中的图像增强

让我开始学习一些理论术语，以免妨碍您的学习。 当我们谈论图像增强时 ，这基本上意味着我们想要一个比原始图像更合适的图像新版本。

例如，当您扫描文档时，输出图像的质量可能会比原始输入图像低。 因此，我们需要一种提高输出图像质量的方法，以使输出图像在视觉上对观看者更具表现力，而这正是图像增强发挥作用的地方。 增强图像时，我们正在做的是锐化图像特征，例如对比度和边缘。

重要的是要注意，图像增强功能不会增加图像的信息内容，而是会增加所选功能的动态范围，最终提高图像的质量。 因此，在这里我们实际上不知道输出图像的外观，但是我们应该能够（主观地）判断是否有任何改进，例如观察输出图像中的更多细节。

在数字图像处理（即分割，表示）的基本步骤中，图像增强通常用作预处理步骤。 有许多用于图像增强的技术，但是在本教程中，我将介绍两种技术： 图像逆 变换和幂律变换 。 我们将看看如何在Python中实现它们。 所以，让我们开始吧！

图像反转

您可能已经在本节的标题中猜到了（也可以称为图像求反 ），图像反转旨在将输入图像中的暗强度转换为输出图像中的亮强度，并将输入图像中的亮强度转换为到输出图像中的暗强度。 换句话说，暗区变亮，而亮区变暗。

假设I(i,j)是指位于(i,j)的像素的强度值。 为了在此处进行说明， 灰度图像中的强度值落在[0,255]范围内，并且(i,j)指行和列值。 当我们在灰度图像上应用图像逆算子时，输出像素O(i,j)值为：

O(i,j) = 255 - I(i,j)

如今，我们大多数图像是彩色图像。 这些图像包含红色 ， 绿色和蓝色三个通道，称为RGB图像。 在这种情况下，与上述公式相反，我们需要从255中减去每个通道的强度。因此，输出图像在像素(i,j)处将具有以下值：

O_R(i,j) = 255 - R(i,j)
O_G(i,j) = 255 - G(i,