图像处理与机器学习——图像增强（基本概念、空域变换——灰度变换法[code]）

本文主要内容

• 图像增强是什么？为什么要做图像增强？
• 如何进行图像增强？（小结）
• 灰度级变换

---

什么是图像增强、以及为什么要这么做
要注意‘增强’并没有增加任何信息量，同时没有统一客观评价标准，不同应用不同判定

---

如何进行图像增强（方法概述）

• 灰度变换
• 滤波器
• 空间域滤波
• 频域滤波
• 代数运算（视频信号）
  

---

总结：

---

空间域增强（空域变换）

• 灰度变换
• 灰度直方图均衡方法的推导
  空间域增强的重要特点，不改变位置信息，只改灰度级

灰度变换本质也是数学函数在做变换因此

• 线性变换
• 非线性变换

线性变换
非线性变换（常见的有）

• 对数变换
• 幂次变换
• 灰度直方图均衡

这里的窄带是什么意思？？低亮度区间（低灰度级）？
示例：

示例：

---

灰度级变换前后的灰度级直方图关系讨论

• 变换前后灰度直方图区域面积相等
• 衍生出灰度直方图均衡法
  由此可得到：
  
  由此衍生出重要的图像处理方案
  直方图均衡（非线性变换方法的代表）
  求解新灰度级构造函数
  
  示例：
  

import cv2
import numpy as np
import matplotlib.pyplot as plt

def Origin_histogram (image):

    histogram = {} #创建 dict 存储原始图像的各个灰度级像素点有多少个

    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            temp_gray = image[i][j]
            if temp_gray in histogram:
                histogram[temp_gray] = histogram[temp_gray] + 1
            else:
                histogram[temp_gray] = 1

    sorted_histogram = {} # 灰度级从小到大排序的dict
    sorted_list = sorted(histogram.keys())

    for i in range( len( sorted_list ) ):
        sorted_histogram[ sorted_list[i] ] = histogram[ sorted_list[i] ]

    return sorted_histogram

def equalization_histogram( histogram, img ):
    
    pr = {}#建立概率分布映射表
    A_0 = img.shape[0] * img.shape[1]
    D_m = max( histogram )
    
    for i in histogram.keys():
        pr[i] = histogram[i] / A_0 

    tmp = 0
    for m in pr.keys():
        tmp = pr[m] + tmp
        pr[m] =  max( histogram ) * tmp
    
    new_img = np.zeros( shape = ( img.shape[0], img.shape[1] ), dtype = np.uint8 )
    
    for k in range( img.shape[0] ):
        for l in range( img.shape[1] ):
            new_img[k][l] = pr[img[k][l]]
            
    return new_img


def GrayHist( img ):
    # 计算灰度直方图
    height, width = img.shape[:2]
    grayHist = np.zeros([256], np.uint64)
    for i in range(height):
        for j in range(width):
            grayHist[img[i][j]] += 1
    return grayHist
    
if __name__ == '__main__':
    #读取原始图像
    img = cv2.imread( 'test.jpg', cv2.IMREAD_GRAYSCALE )
    #计算原图灰度直方图
    origin_histogram = Origin_histogram( img )
    #直方图均衡化
    new_img = equalization_histogram( origin_histogram, img )
    origin_grayHist = GrayHist(img)
    equaliza_grayHist = GrayHist( new_img )
    x = np.arange(256)
    # 绘制灰度直方图
    plt.figure( num = 1 )
    plt.subplot( 2, 2, 1 )
    plt.plot(x, origin_grayHist, 'r', linewidth=2, c='black')
    plt.title("Origin")
    plt.ylabel("number of pixels")
    plt.subplot( 2, 2, 2 )
    plt.plot(x, equaliza_grayHist, 'r', linewidth=2, c='black')
    plt.title("Equalization")
    plt.ylabel("number of pixels")
    plt.subplot( 2, 2, 3 )
    plt.imshow( img, cmap = plt.cm.gray )
    plt.title( 'Origin' )
    plt.subplot( 2, 2, 4 )
    plt.imshow( new_img, cmap = plt.cm.gray )
    plt.title( 'Equalization' )
    plt.show()

直方图均衡法的应用：提高人脸识别精度
对获取图像亮度不同的问题进行预处理，提高精度。

---