opencv+python入门之七（图像增强专题）

本文参考了该作者的笔记，如果想更深入地了解，可以去看原作：https://note.youdao.com/ynoteshare1/index.html?id=2b60df50f548a84923e7e201798dd390&type=note#/

一、基本灰度变换函数

1.常用的基本函数有三类：线性函数，对数函数（对数和反对数）和幂律函数（n次幂和n次根），正如下图所示，下图刚看可能会有点乱，我们来分析一下。

首先横纵坐标分别为输入的像素值和输出的像素值。

所谓的反转变换便是将图像的灰度值最大和最小值颠倒过来，即[0,255]转化为[255,0]，转化成函数便是斜率为-1的线性函数。恒等变换不必多说，就是什么都不变。

对数变换：以L/4处为例，图像灰度范围[0,L/4]经过对数变换之后输出[0,3L/4]，可见将灰度值较低的像素进行了增强，而对灰度值较高的像素值增强效果不明显，表现为压缩。反对数变换顾名思义，不必多说。

幂律函数变换根据根和幂的不同，效果也有很大的差别，可以类比于对数变换。

                                                    

在opencv中，很多函数并没有现有的库，需要自己编写一下：

1.反转变换

适用于增强嵌入在一幅图像暗区域中的白色或灰色细节。图像灰度级范围为[0，L-1]，变换公式为：

代码：

img = cv2.imread('F:\python\work\cv_learn\lena.jpg',0)
thresh,out = cv2.threshold(img,128,255,cv2.THRESH_BINARY)
cv2.imshow('output0', out)

def reverse(img):
    output = 255 - img    
    return output

out2 = reverse(out)
cv2.imshow('output1', out2)

效果如图： 

 2.对数变换

对数变换可以拉伸范围较窄的低灰度值，同时压缩范围较宽的高灰度值。可以用来扩展图像中的暗像素值，同时压缩亮像素值。

其中c为常数，r加1可以使函数向左移一个单位，得到的s均大于0。

代码如下：

def log(c, img):
    output_img = c*np.log(1.0+img)
    output_img = np.uint8(output_img+0.5)
    return output_img
	
img = cv2.imread('F:\python\work\cv_learn\lena.jpg',0)
cv2.imshow('imput', img)
out2 = log(20,img)
cv2.imshow('output', out2)

cv2.waitKey(0)#保持图像

效果如下：

          

3.伽马变换

变换的基本形式为：

c和γ为正常数

对于不同的γ值，有不同的曲线。

                                       

多用在图像整体偏暗，扩展灰度级。另外一种情况是，图像有“冲淡”的外观（很亮白）需要压缩中高以下的大部分的灰度级。伽马变换对于图像对比度偏低，并且整体亮度值偏高（对于于相机过曝）情况下的图像增强效果明显。

代码：

img = cv2.imread('F:\python\work\cv_learn\gamma.png',1)

cv2.imshow('imput', img)
def gamma(img, c, v):
    lut = np.zeros(256, dtype=np.float32)
    for i in range(256):
        lut[i] = c * i ** v
    output_img = cv2.LUT(img, lut)
    output_img = np.uint8(output_img+0.5)  # 这句一定要加上
    return output_img

out2 = gamma(img,0.00000005,4.0)
cv2.imshow('output', out2)

cv2.waitKey(0)#保持图像

运行效果（因为没有合适的图片，直接搬运的云笔记上面的）： 

          

4.分段线性变换

    分段线性变换原理也比较简单，如下图所示，就是将图像的像素值按照一定的线性规律进行变换

                                                               

关键是要根据阈值编写自己的函数。

def SLT(img, x1, x2, y1, y2):
    lut = np.zeros(256)
    for i in range(256):
            if i < x1:
                lut[i] = (y1/x1)*i
            elif i < x2:
                lut[i] = ((y2-y1)/(x2-x1))*(i-x1)+y1
            else:
                lut[i] = ((y2-255.0)/(x2-255.0))*(i-255.0)+255.0
    img_output = cv2.LUT(img, lut)
    img_output = np.uint8(img_output+0.5)
    return img_output

img = cv2.imread(r'F:\python\work\cv_learn\3.png',1)
cv2.imshow('input',img)
output_img = SLT(img, 100, 160, 30, 230)
# out2 = gamma(img,0.00000005,4.0)
cv2.imshow('output', output_img)

cv2.waitKey(0)#保持图像

处理效果如下：

5.拉普拉斯算子增强

拉普拉斯算子增强便是通过定义一个卷积核，将该卷积核与原图像进行卷积操作，来达到锐化增强图像的目的。

                                                   

代码实现：

img = cv2.imread(r'F:\python\work\cv_learn\clipboard.png',1)
cv2.imshow('input',img)
kernel = np.array([[0, -1, 0], [0, 5, 0], [0, -1, 0]])#定义卷积核
imageEnhance = cv2.filter2D(img,-1, kernel)#进行卷积运算
cv2.imshow('output', imageEnhance)

cv2.waitKey(0)#保持图像

cv2.filter2D(src,ddepth, kernel)函数用于进行卷积操作，第一个参数是要卷积的图像，第二个函数是图像深度，最后一个参数是卷积核。深度为-1时，表示与原图像深度相同。

处理效果如图：

             

6.直方图均衡增强 

直方图均衡化是通过调整图像的灰阶分布，使得在0~255灰阶上的分布更加均衡，提高了图像的对比度，达到改善图像主观视觉效果的目的。对比度较低的图像适合使用直方图均衡化方法来增强图像细节。、

opencv自带的函数只能进行一个通道的增强，下面是彩色图像的直方图增强：

img = cv2.imread(r'F:\python\work\cv_learn\clipboard.png',1)
cv2.imshow('input',img)
result = img.copy()
for j in range(3):
	result[:, :, j] = cv2.equalizeHist(img[:,:,j])
cv2.imshow('Result1', result)
cv2.waitKey(0)

效果如下：