OpenCV学习笔记08_对比度增强

1.拉普拉斯锐化

拉普拉斯变换是工程数学中常用的一种积分变换；
拉普拉斯算子是n维欧几里得空间的一个二阶微分算子；

具有各向同性，对数字图像的一阶导数为：

二阶导数为：

所以拉普拉斯算子为：

拉普拉斯算子四邻域模板如下所示：

八邻域：

卷积的图示：

然后通过滑动卷积核，就可以得到整张图片的卷积结果。

OpenCV中拉普拉斯边缘算子的函数为：

CV_EXPORTS_W void Laplacian( 
InputArray src, 
OutputArray dst, 
int ddepth,
int ksize = 1, 
double scale = 1, 
double delta = 0,
int borderType = BORDER_DEFAULT );

参数解释：
1、InputArray src：输入图像

2、OutputArray dst：输出图像

3、int ddepth：表示输出图像的深度

4、depth 图像元素的位深度，可以是下面的其中之一：

位深度------------------------取值范围

CV_8U - 无符号8位整型…0–255

CV_8S - 有符号8位整型… -128–127

CV_16U - 无符号16位整型 0–65535

CV_16S - 有符号16位整型 -32768–32767

CV_32S - 有符号32位整型 -65535–65535

CV_32F - 单精度浮点数

CV_64F - 双精度浮点数
5、int ksize=1：表示拉普拉斯核的大小，1表示核的大小是三：
6、double scale =1：表示是否对图像进行放大或者缩小
7、double delta=0：表示是否在输出的像素中加上一个量
8、int borderType=BORDER_DEFAULT：表示处理边界的方式，一般默认

拉普拉斯锐化步骤：
方法一：
步骤1，使用拉普拉斯边缘算子检测边缘(如果是UCHAR类型需要保留负值)：

//内核为 0, 1, 0, 1, -4, 1, 0, 1, 0		所以检测的边缘是负值
cv::Laplacian(src, lapl_1, CV_8U,1,-1);
//加负号的原因是保留负数，不然Uchar类型直接省略负数

步骤2，使用原图像加上边缘检测之后的图像：

srcaddlapl_1_add = src + lapl_1;//类型必须一至
//也可以转为浮点型(注意归一化)运算，最后再转成UCHAR型

方法二：使用图像卷积运算函数filter2D()

CV_EXPORTS_W void filter2D( 
InputArray src, 
OutputArray dst, 
int ddepth,
InputArray kernel, 
Point anchor = Point(-1,-1),
double delta = 0, 
int borderType = BORDER_DEFAULT );

参数解释：
1、InputArray src: 输入图像

2、OutputArray dst: 输出图像，和输入图像具有相同的尺寸和通道数量

3、int ddepth: 目标图像深度，如果没写将生成与原图像深度相同的图像。

支持深度如下(-1为原图像深度)：
src.depth() = CV_8U,--------------------ddepth = -1/CV_16S/CV_32F/CV_64F
src.depth() = CV_16U/CV_16S, -----ddepth = -1/CV_32F/CV_64F
src.depth() = CV_32F, ------------------ddepth = -1/CV_32F/CV_64F
src.depth() = CV_64F, ------------------ddepth = -1/CV_64F

4、InputArray kernel: 卷积核（或者是相关核）,一个单通道浮点型矩阵。如果想在图像不同的通道使用不同的kernel，可以先使用split()函数将图像通道事先分开。

5、Point anchor: 内核的基准点(anchor)，其默认值为(-1,-1)说明位于kernel的中心位置。基准点即kernel中与进行处理的像素点重合的点。

6、double delta: 在储存目标图像前可选的添加到像素的值，默认值为0

7、int borderType: 像素向外逼近的方法，默认值是BORDER_DEFAULT,即对全部边界进行计算。

卷积核kernel：

cv::Mat  kernel = (cv::Mat_<float>(3, 3) << 0, -1, 0, -1, 5, -1, 0, -1, 0);
//Mat_类型是用来简化代码的

拉普拉斯边缘检测算子：

拉普拉斯锐化算子：

2.对数变换

公式：

对数变换可以将图像的低灰度值部分扩展，显示出低灰度部分更多的细节，将其高灰度值部分压缩，减少高灰度值部分的细节，从而达到强调图像低灰度部分的目的。

步骤：

//log 对比度增强
	cv::Mat   src_log(src.size(),CV_64FC3);
	for (int i = 0; i< src.rows;i++)
	{
		for (int j = 0; j< src.cols;j++)
		{
			src_log.at<cv::Vec3d>(i, j)[0] = log(1 + src.at<cv::Vec3b>(i, j)[0]);
			src_log.at<cv::Vec3d>(i, j)[1] = log(1 + src.at<cv::Vec3b>(i, j)[1]);
			src_log.at<cv::Vec3d>(i, j)[2] = log(1 + src.at<cv::Vec3b>(i, j)[2]);

		}

	}
	//此处归一化是因为src未归一化，得出的log值大于1，显示时候乘以255值会非常大
	normalize(src_log, src_log, 0, 255,cv::NORM_MINMAX,CV_8UC3);
	cv::imshow("src_log", src_log);

对数变换结果：

3.直方图均衡化

直方图均衡化公式：

其中f(x)为均衡化之后的函数值，

L为max像素级，

为概率密度函数的分布函数，

为像素级为x的像素个数/总像素个数。

理论依据：

如果一个图像占有全部可能的灰度级，并且均匀分布。那么这个图像具有较高的对比度，并且具有多变的灰度色调。反映到图像上面，就是细节特别丰富、图像看起来质量很高。

步骤：
1、统计直方图每个灰度级出现的次数；
2、累计归一化的直方图, 在累计直方图中，概率相近的原始值，会被处理为相同的值。
3、计算新的像素值。

有两个问题比较难懂，一是为什么要选用累积分布函数，二是为什么使用累积分布函数处理后像素值会均匀分布。

第一个问题。均衡化过程中，必须要保证两个条件：

①像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；
②如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。综合以上两个条件，累积分布函数是个好的选择，因为累积分布函数是单调增函数（控制大小关系），并且值域是0到1（控制越界问题），所以直方图均衡化中使用的是累积分布函数。

第二个问题。累积分布函数具有一些好的性质，那么如何运用累积分布函数使得直方图均衡化？

比较概率分布函数和累积分布函数，前者的二维图像是参差不齐的，后者是单调递增的。

在OpenCV中使用封装好的函数equalizeHist();

CV_EXPORTS_W void equalizeHist( InputArray src, OutputArray dst );

参数解释：
1、InputArray src 输入图像；
2、OutputArray dst 输出图像；
原始灰度图：

直方图均衡化结果(灰度单通道)：

4.伽马校正

伽马变换的公式为：
$$s=C{r}^{\gamma }$$
s为变换之后图像的像素值，C为灰度缩放系数，通常取1，r 为原始图像的像素值，$\gamma$为伽马因子，控制的整个算法的缩放程度，伽马变换也被称作幂变换。

注意：其中r的取值范围为[0,1]，所以需要将uchar型的数据转为float型，且需要归一化。

cv::Mat::convertTo(dst, CV_32FC3, 1 / 255.0);
//其中dst为目标图， CV_32FC3为要转化的类型

在整数表示的颜色空间中，数值范围是0-255，但在浮点数表示的颜色空间中，数值范围是0-1.0，所以要把0-255归一化。
CV_8UC3的灰度或BGR图像的颜色分量都在0~255之间。直接imshow可以显示图像。
CV_32FC3取值范围为0~1.0，imshow的时候会把图像x255后再显示。
imwrite不能保存浮点数类型的图片。

#include <opencv.hpp>


void main()
{
	cv::Mat src = cv::imread("C:/Users/Administrator/Desktop/test.jpg");

	cv::Mat dst,gamma;
	src.convertTo(dst, CV_32FC3,(double) 1 / 255);
	

	float ga = 0.5;
	cv::pow(dst,ga, gamma);

	
	cv::imshow("src", src);
	cv::imshow("dst",dst);
	cv::imshow("gamma", gamma);
	cv::waitKey(0);
}

如图所示：

代码附录：

#include <opencv.hpp>



void main()
{
	cv::Mat src = cv::imread("C:/Users/Administrator/Desktop/test.jpg");
	cv::Mat dst,dst_lap, gray,gamma, equal, 
	lapl,lapl_1,src_lap, srcaddlapl_1_add,srcaddlapl_add, srcaddlapl_f_add;

	/*
	dst:CV_32F类型，伽马变换源图；
	dst_lap：CV_32F类型，拉普拉斯变换源图；
	gamma：CV_32F类型，伽马变换输出图像；
	gray：CV_8UC1类型，灰度图；
	equal：CV_8UC1类型，直方图均衡化图像；
	lapl：Laplacian函数卷积之后的图像；
	src_lap：直接使用拉普拉斯锐化算子对原始图像操作得出的图像；
	srcaddlapl_add：Laplacian函数得到的图像与原图像运算；
	srcaddlapl_1_add：CV_8U类型，scale乘了-1转为不省略负数的UCHAR类型；
	srcaddlapl_f_add：拉普拉斯边缘算子卷积之后与原图像相加的图像；
	*/

	cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY);
	src.convertTo(dst, CV_32F, (double)1 / 255);
	src.convertTo(dst_lap, CV_32F, (double)1 / 255);
	/*lapl.convertTo(lapl, CV_64F);*/

	//gamma变换
	double gm = 27 / 40.0;
	cv::pow(dst, gm, gamma);

	//直方图均衡
	cv::equalizeHist(gray, equal);

	//拉普拉斯变换 (内核为 0, 1, 0, 1, -4, 1, 0, 1, 0)
	cv::Laplacian(src, lapl_1, CV_8U,1,-1);//加负号的原因是保留负数，
	//不然Uchar类型直接省略负数

	srcaddlapl_1_add = src + lapl_1;

	cv::Laplacian(dst_lap, lapl, CV_32F);
	cv::imshow("dst_lap", dst_lap);
	cv::imshow("lapl", lapl);
	cv::imshow("lapl_1", lapl_1);
	srcaddlapl_add = dst_lap - lapl;



	//拉普拉斯边缘检测算子与原图相加与拉普拉斯锐化算子的区别
	cv::Mat test_lap,test_src;
	cv::Mat  kernel_1 = (cv::Mat_<float>(3, 3) << 0, -1, 0, -1, 4, -1, 0, -1, 0);
	cv::filter2D(src, test_lap, CV_8U, kernel_1);
	cv::Mat  kernel_2 = (cv::Mat_<float>(3, 3) << 0,0,0,0,1,0,0,0,0);
	cv::filter2D(src, test_src, CV_8U, kernel_2);
	srcaddlapl_f_add = test_src + test_lap  ;
	
	

	//拉普拉斯锐化
	cv::Mat  kernel = (cv::Mat_<float>(3, 3) << 0, -1, 0, -1, 5, -1, 0, -1, 0);
	cv::filter2D(src, src_lap, CV_8UC3, kernel);
	
	
	
	//log 对比度增强
	cv::Mat   src_log(src.size(),CV_64FC3);
	for (int i = 0; i< src.rows;i++)
	{
		for (int j = 0; j< src.cols;j++)
		{
			src_log.at<cv::Vec3d>(i, j)[0] = log(1 + src.at<cv::Vec3b>(i, j)[0]);
			src_log.at<cv::Vec3d>(i, j)[1] = log(1 + src.at<cv::Vec3b>(i, j)[1]);
			src_log.at<cv::Vec3d>(i, j)[2] = log(1 + src.at<cv::Vec3b>(i, j)[2]);

		}

	}
	//此处归一化是因为src未归一化，得出的log值大于1，显示时候乘以255值会非常大
	normalize(src_log, src_log, 0, 255,cv::NORM_MINMAX,CV_8UC3);
	cv::imshow("src_log", src_log);
	


	cv::imshow("src", src);
	cv::imshow("lapl", lapl);	
	cv::imshow("gamma", gamma);
	cv::imshow("equal", equal);
	cv::imshow("src_lap", src_lap);
	cv::imshow("test_src", test_src);
	cv::imshow("srcaddlapl_add", srcaddlapl_add);
	cv::imshow("srcaddlapl_f_add", srcaddlapl_f_add);
	cv::imshow("srcaddlapl_1_add", srcaddlapl_1_add);
	cv::waitKey(0);
}