python图像增强算法_python 图像增强算法实现详解

使用python编写了共六种图像增强算法：

1)基于直方图均衡化

2)基于拉普拉斯算子

3)基于对数变换

4)基于伽马变换

5)限制对比度自适应直方图均衡化：CLAHE

6)retinex-SSR

7)retinex-MSR其中，6和7属于同一种下的变化。

将每种方法编写成一个函数，封装，可以直接在主函数中调用。

采用同一幅图进行效果对比。

图像增强的效果为：

直方图均衡化:对比度较低的图像适合使用直方图均衡化方法来增强图像细节

拉普拉斯算子可以增强局部的图像对比度

log对数变换对于整体对比度偏低并且灰度值偏低的图像增强效果较好

伽马变换对于图像对比度偏低，并且整体亮度值偏高(对于相机过曝)情况下的图像增强效果明显

CLAHE和retinex的效果均较好

python代码为：

# 图像增强算法，图像锐化算法

# 1)基于直方图均衡化 2)基于拉普拉斯算子 3)基于对数变换 4)基于伽马变换 5)CLAHE 6)retinex-SSR 7)retinex-MSR

# 其中，基于拉普拉斯算子的图像增强为利用空域卷积运算实现滤波

# 基于同一图像对比增强效果

# 直方图均衡化:对比度较低的图像适合使用直方图均衡化方法来增强图像细节

# 拉普拉斯算子可以增强局部的图像对比度

# log对数变换对于整体对比度偏低并且灰度值偏低的图像增强效果较好

# 伽马变换对于图像对比度偏低，并且整体亮度值偏高(对于相机过曝)情况下的图像增强效果明显

import cv2

import numpy as np

import matplotlib.pyplot as plt

# 直方图均衡增强

def hist(image):

r, g, b = cv2.split(image)

r1 = cv2.equalizeHist(r)

g1 = cv2.equalizeHist(g)

b1 = cv2.equalizeHist(b)

image_equal_clo = cv2.merge([r1, g1, b1])

return image_equa