图像的线性变换

  图像的线性变换是一种基本的像素值变换方法，它可以通过线性函数对图像中的每个像素值进行映射。这种变换通常用于调整图像的对比度和亮度，以及进行灰度级的拉伸或压缩。线性变换可以表示为以下数学公式：
  对于输入图像 $I$，经过线性变换后的输出图像 $O$，映射关系可以用如下的线性函数表示：
$$O(x,y)=\alpha \cdot I(x,y)+\beta$$
其中，$O(x,y)$ 是输出图像在坐标 $(x,y)$ 处的像素值；$I(x,y)$ 是输入图像在坐标 $(x,y)$ 处的像素值；
$\alpha$ 是缩放系数，用于调整图像对比度；$\beta$ 是平移系数，用于调整图像亮度。
  这个公式中的线性变换将输入图像的每个像素值按比例缩放，并且可以通过平移调整整个像素值范围的位置。当 $\alpha >1$ 时，像素值会被放大，增加图像对比度；当 $0<\alpha <1$ 时，像素值会被缩小，降低图像对比度。而 $\beta$ 控制整个像素值的平移，即调整图像的亮度。

作用和使用场景：
  线性变换在图像处理中有许多应用，其中包括但不限于以下几个方面：
  1. 调整对比度和亮度： 通过调整 $\alpha$ 和 $\beta$ 可以增加或降低图像的对比度和亮度，从而使图像更清晰、更鲜艳或更暗淡。
  2. 灰度级拉伸： 灰度级拉伸是一种常见的图像增强方法，可以通过线性变换将图像的灰度级范围拉伸到整个像素值范围，从而增强图像的视觉效果。
  3. 直方图均衡化： 直方图均衡化也是一种常见的图像增强技术，通过线性变换使图像的直方图在灰度级上更均匀分布，提高图像的对比度。
  4. 伽马校正： 伽马校正是一种非线性变换，但也可以通过线性变换来近似实现，用于校正图像的亮度非线性问题。
  5. 图像融合： 在图像融合中，线性变换可以用于调整多幅图像的对比度和亮度，使得融合后的图像更自然和平滑。
  总之，线性变换是图像处理中一种简单而有效的像素值映射方法，它在图像增强、对比度调整、亮度调整等方面有广泛的应用。通过调整公式中的参数，可以实现不同的图像处理效果，满足不同场景下的需求。
  代码实现过程如下所示：

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

class Linear:
    def __init__(self,input_path):
        self.input_path=input_path

    def linear_change(self):
        img=cv2.imread(self.input_path)

        if img is None:
            print("Unable to load image!")
        else:
            imgGray=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

            h,w=imgGray.shape[:2]

            img1=np.empty((h,w),np.uint8)#创建空白数组
            img2 = np.empty((h, w), np.uint8)  # 创建空白数组
            img3 = np.empty((h, w), np.uint8)  # 创建空白数组
            img4 = np.empty((h, w), np.uint8)  # 创建空白数组
            img5 = np.empty((h, w), np.uint8)  # 创建空白数组
            img6 = np.empty((h, w), np.uint8)  # 创建空白数组

            # Dt[i,j] = alfa*D[i,j] + beta
            alfa1, beta1 = 1, 50  # alfa=1,beta>0: 灰度值上移
            alfa2, beta2 = 1, -50  # alfa=1,beta<0: 灰度值下移
            alfa3, beta3 = 1.5, 0  # alfa>1,beta=0: 对比度增强
            alfa4, beta4 = 0.75, 0  # 0<alfa<1,beta=0: 对比度减小
            alfa5, beta5 = -0.5, 0  # alfa<0,beta=0: 暗区域变亮，亮区域变暗
            alfa6, beta6 = -1, 255  # alfa=-1,beta=255: 灰度值反转



            for i in range(h):
                for j in range(w):
                    #将像素值限制在0到255的范围内
                    img1[i][j] = min(255, max((alfa1*imgGray[i][j]+beta1), 0))  # alfa=1,beta>0: 颜色发白
                    img2[i][j] = min(255, max((alfa2 * imgGray[i][j] + beta2), 0))
                    img3[i][j] = min(255, max((alfa3 * imgGray[i][j] + beta3), 0))
                    img4[i][j] = min(255, max((alfa4 * imgGray[i][j] + beta4), 0))
                    img5[i][j] = alfa5 * imgGray[i][j] + beta5
                    img6[i][j] = min(255, max((alfa6 * imgGray[i][j] + beta6), 0))

            self.img_show(imgGray, img1, img2, img3, img4, img5,img6)

    def img_show(self,imgGray,img1, img2, img3, img4, img5,img7):
        plt.figure(figsize=(10, 6))
        titleList = ["1. imgGray", "2. beta=50", "3. beta=-50", "4. alfa=1.5", "5. alfa=0.75", "6. alfa=-0.5","7. alfa=-1"]
        imageList = [imgGray, img1, img2, img3, img4, img5,img7]
        for i in range(7):
            plt.subplot(2, 4, i + 1), plt.title(titleList[i]), plt.axis('off')
            plt.imshow(imageList[i], vmin=0, vmax=255, cmap='gray')
        plt.show()


# 图像文件路径
imgfile = "./Images/lena.jpg"
img_change=Linear(imgfile)
img_change.linear_change()