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,