处理灰度图_第三章 灰度变换与空间滤波-（二）一些基本的灰度变换函数

雷总说：愿你归来仍是少年。

既然本章主要是讨论灰度变换和空间滤波的。我们既然知道了什么是灰度变换，那么让我们来看一看怎么做到他们。

2.1 图像翻转

图像翻转，其实我们在第二章的例子中已经讲到过，并且用OpenCV也实现过。它的实现原理非常简单，其实就是拿最大的灰度级

去做减法。

示例：

图像反转

2.2 对数变换

对数变换我们在OpenCV的DFT章节也是用过，其目的是为了将计算的大数据映射到可显示的范围内。它的通用公式：

C为常数，r>=0的对数变换

由上图可以看出来，对数变换中可以把输入的较窄的范围映射到输出比较宽的范围中，也可以把输入较宽的范围映射到输出较窄的范围中。

3.3 幂律（伽马）变换

幂律变换是对数变换的反变换，所以他的作用可以认为跟对数变换相似，都是输入的窄域和宽域与输出的宽域和窄域的对应。当然，如果r=1的时候就是系数为C的线性变换。

幂律变换

我们什么时候会用到幂律变换呢？如幂律变换的指数变量伽马所示，幂律变换也被称为伽马校正，是一种在日常生活中非常常见的变换。

举个例子，比如阴极射线管（CRT）设备又一个灰度-电压响应，该响应是一个指数变换范围约为1.8 ~ 2.5的幂函数。可以参考上图，它的曲线在线性变换的下方，显示输出就会比输入要小（暗）。那么如果直接用该CRT用来显示一个简单的灰度渐变图像，跟预期一样就会得到一幅输出比输入要暗的图像。补偿的方案也很简单，就是只要对输入的图像做一个预处理，即进行

的变换就可以得到显示与预期一致的图形了。

伽马校正

在如今LED为主的显示设备中，他们的显示曲线同样也不是线性的，伽马校正一样重要，其原理是一致的，而且现在几乎所有的显示器都预设了伽马校正的程序。

• 幂律变换做对比度增强

数据增强：伽马值依此为0.6/0.4/0.3

这种结果也很容易理解，一些人眼无法辨识的细微差距，可以通过幂函数在输出的图像中放大差异，显示出来。

图像增强：伽马值依此为3.0/4.0/5.0

同样道理，既然可以做到对比度的增强，也可以通过幂律大于1的函数来做到减小输出对比度的目的，这样看到的照片会明显偏暗（在线性变换的下方）。

2.4 分段线性变换

这个也很容易理解，有些照片，我们不希望是全局的变换，希望对局部的数据内容进行特殊变换，这样就可以使用分段线性变换。

• 对比度拉伸

对比度拉伸是扩展图像灰度级动态范围的处理，因此，它可以跨越记录介质和显示装置的全部灰度范围。

官话都是概括给本来就懂的人的。我们还是举例理解：如下图在一段变换函数的中间，截取输入r1 到 r2两个点，他们对应的输出为s1 和 s2。那么(r1, s1)到(r2, s2)两个点之间的函数曲线就可以是任意形式，如果斜率变高，可以把较小的输入映射到较大范围的输出上，就达到了对比度拉伸的目的。如果更极限，r1=r2, s1=0, s2=L-1了，那么变换函数就是一条垂直于X轴的直线，这种曲线叫做阈值处理函数。 我们在OpenCv的教程中叶用到过这种方法。

对比度拉伸，图像依次为：变换函数、低对比图像、对比度拉伸的结果、阈值处理的结果

• 灰度级分层

灰度级分层的目的很简答，需求也比较多，就是把自己感兴趣的特定灰度范围用特殊的灰度级别标定出来（比如标定成白色或者黑色），以达到突出的目的。

图1) 把感兴趣的A-B标定成一个灰度，其他是另外一个灰度；图2) 只变动A-B的，其他范围不变

举个例子：

图1是原图，图2是用上图的第一个函数分级，图3是上图的第二个函数分级

• 比特平面分层

既然是数字图像，那么每个像素就是由固定比特的数字组成，比如8bit的灰度级别的图像，我们把每个bit代表一位，就是有8位，拓展到整个图像，就可以得到想象中的8层（每个对应bit组成一层）。在这个想象中的空间中，很显然，位数越高，它代表的数越大，它们组成的高位比特层面，就越能体现图像的轮廓；相同道理，位数月底，它就可以表示约多的是细节。

从第二幅图开始，分别为比特平面1~8