总结性的一篇博文,内容其实很简单,之所以写出来是为了对自己之前所学做一些总结。
参考自:《数字图像处理》--第三版--冈萨勒斯--中,以及师兄提供的参考资料,在此对师兄表示感谢。
空间域处理是直接对像素进行操作的方法,这是相对于频率域处理而言的。空间域处理主要分为两大类:灰度变换和空间滤波。灰度变换在图像单个像素上操作,主要以对比度和阈值处理为目的。空间滤波涉及改善性能的操作,通过像元领域来处理。
空间域处理均可由下式表达:
表示f(x, y)输入图像,g(x,y) 表示输出图像,T 是变换算子(数学规则)
灰度变换可以看作领域大小为1*1的空间域处理,这这种情况下上式变为灰度变换函数:
r和s分别为输入、输出灰度
基本的灰度变换函数
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)
图像反转
适用于增强嵌入在一幅图像暗区域中的白色或灰色细节。变换公式为:
图像灰度级范围为[0,L-1]
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
"""反转变换""" import numpy as np import cv2 import matplotlib.pyplot as plt def reverse(img): output = 255 - img return output img1 = cv2.imread(r'F:\program_study\Python\data\breast.tif') # 前头加r是消除反斜杠转义 cv2.imshow('input', img1) x = np.arange(0, 256, 0.01) y = 255 - x plt.plot(x, y, 'r', linewidth=1) plt.title('反转变换函数图') plt.xlim([0, 255]), plt.ylim([0, 255]) plt.show() img_output = reverse(img1) cv2.namedWindow('output', cv2.WINDOW_NORMAL) # 可改变窗口大小 cv2.imshow('output', img_output) cv2.waitKey(0) cv2.destroyAllWindows()
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。
一个典型的应用是傅立叶频谱(幅度谱)的显示。对傅立叶频谱进行对数变化,左图中蓝线为变换函数,注意x轴量级为10的7次方,直接被压缩到了0-17.5,效果非常明显。右图是经过对数变换,又经过最大最小值变换后的频谱。
一般对数变换
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
"""对数变换""" import numpy as np import matplotlib.pyplot as plt import cv2 def log_plot(c): x = np.arange(0, 256, 0.01) y = c*np.log(1 + x) plt.plot(x, y, 'r', linewidth=1) plt.title('对数变换函数') plt.xlim(0, 255), plt.ylim(0, 255) plt.show() def log(c, img): output_img = c*np.log(1.0+img) output_img = np.uint8(output_img+0.5) return output_img img_input = cv2.imread('F:\program_study\Python\data\pollens.tif') cv2.imshow('input', img_input) log_plot(42) img_output = log(42, img_input) cv2.imshow('output', img_output) cv2.waitKey(0) cv2.destroyAllWindows()
幂律(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。
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
"""幂律变换(伽马)""" import numpy as np import matplotlib.pyplot as plt import cv2 def gamma_plot(c, v): x = np.arange(0, 256, 0.01) y = c*x**v plt.plot(x, y, 'r', linewidth=1) plt.title('伽马变换函数') plt.xlim([0, 255]), plt.ylim([0, 255]) plt.show() 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 img_input = cv2.imread('F:\program_study\Python\data\city.tif', cv2.IMREAD_GRAYSCALE) cv2.imshow('imput', img_input) gamma_plot(0.00000005, 4.0) img_output = gamma(img_input, 0.00000005, 4.0) cv2.imshow('output', img_output) cv2.waitKey(0) cv2.destroyAllWindows()
分段线性变换
对比度拉伸
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
"""分段线性变换Segmental Linear Transformation""" import cv2 import numpy as np import matplotlib.pyplot as plt 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 def SLT_plot(x1, x2, y1, y2): plt.plot([0, x1, x2, 255], [0, y1, y2, 255], 'b', linewidth=1) plt.plot([x1, x1, 0], [0, y1, y1], 'r--') plt.plot([x2, x2, 0], [0, y2, y2], 'r--') plt.title('分段线性变换函数') plt.xlim([0, 255]), plt.ylim([0, 255]) plt.show() input_img = cv2.imread('F:\program_study\Python\data\Einstein.tif', cv2.IMREAD_GRAYSCALE) cv2.imshow('input', input_img) img_x1 = 100 img_x2 = 160 img_y1 = 30 img_y2 = 230 SLT_plot(img_x1, img_x2, img_y1, img_y2) output_img = SLT(input_img, img_x1, img_x2, img_y1, img_y2) cv2.imshow('output', output_img) cv2.waitKey(0) cv2.destroyAllWindows()
灰度级分层
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
"""灰度级分层""" import numpy as np import cv2 def GrayLayer(img): lut = np.zeros(256, dtype=np.uint8) layer1 = 30 layer2 = 60 value1 = 10 value2 = 250 for i in range(256): if i >= layer2: lut[i] = value1 elif i >= layer1: lut[i] = value2 else: lut[i] = value1 ans = cv2.LUT(img, lut) return ans img_input = cv2.imread('F:\program_study\Python\data\LandsatImage.tif', cv2.IMREAD_GRAYSCALE) cv2.imshow('input', img_input) img_output = GrayLayer(img_input) cv2.imshow('output', img_output) # cv2.imwrite('LandsatImage_grayLayer.tif', img_output) cv2.waitKey(0) cv2.destroyAllWindows()
二值化
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
"""阈值化,其实就是二值化""" import cv2 img_input = cv2.imread('F:\program_study\Python\data\Lena.tif', cv2.IMREAD_GRAYSCALE) cv2.imshow('input', img_input) threshold = 110 img_input[img_input > threshold] = 255 # 二值化 img_input[img_input <= threshold] = 0 # 二值化 cv2.imshow('output', img_input) # cv2.imwrite('Lena_thresholding.tif', f) cv2.waitKey(0) cv2.destroyAllWindows()
最大最小值拉伸
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
"""最大最小值拉伸""" import numpy as np import matplotlib.pyplot as plt import cv2 def max_min_strech(img): max1 = np.max(img) min1 = np.min(img) output_img = (255.0*(img-min1))/(max1-min1) # 注意255.0 而不是255 二者算出的结果区别很大 output_img1 = np.uint8(output_img+0.5) return output_img1 img_input = cv2.imread('F:\program_study\Python\data\Einstein.tif', cv2.IMREAD_GRAYSCALE) cv2.imshow('input', img_input) x = (np.min(img_input), np.max(img_input)) y = (0, 255) plt.plot(x, y, 'b', linewidth=1) plt.title('最大最小拉伸函数') plt.xlim(0, 255) plt.show() img_output = max_min_strech(img_input) cv2.imshow('output', img_output) cv2.waitKey(0) cv2.destroyAllWindows() # 最大最小值拉伸的实质是找线性函数,两点求直线方程,x1是拉伸前的最小值, # y1是拉伸后的最小值;x2是拉伸前的最大值,y2是拉伸后的最大值