python灰度处理_[Python图像处理]十.图像的灰度线性变换

图像灰度上移变换

该算法将实现图像灰度值的上移，从而提升图像的亮度，由于图像的灰度值位于0到255之间，需要对灰度值进行溢出判断。

代码如下:

importcv2importnumpy as npimportmatplotlib.pyplot as plt

img= cv2.imread("src.png")

grayImage=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

height, width= grayImage.shape[:2]

result=np.zeros((height, width), np.uint8)#图像灰度上移变换

for i inrange(height):for j inrange(width):if int(grayImage[i, j] + 50) > 255:

gray= 255

else:

gray= grayImage[i, j] + 50result[i, j]=np.uint8(gray)

cv2.imshow("src", grayImage)

cv2.imshow("result", result)if cv2.waitKey() == 27:

cv2.destroyAllWindows()

效果如下:

图像对比度增强变换

importcv2importnumpy as npimportmatplotlib.pyplot as plt

img= cv2.imread("src.png")

grayImage=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

height, width= grayImage.shape[:2]

result=np.zeros((height, width), np.uint8)#图像灰度上移变换

for i inrange(height):for j inrange(width):if int(grayImage[i, j]*1.5 + 50) > 255:

gray= 255

else:

gray= grayImage[i, j]*1.5 + 50result[i, j]=np.uint8(gray)

cv2.imshow("src", grayImage)

cv2.imshow("result", result)if cv2.waitKey() == 27:

cv2.destroyAllWindows()

效果如下:

图像对比度增强减弱

importcv2importnumpy as npimportmatplotlib.pyplot as plt

img= cv2.imread("src.png")

grayImage=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

height, width= grayImage.shape[:2]

result=np.zeros((height, width), np.uint8)#图像灰度上移变换

for i inrange(height):for j inrange(width):if int(grayImage[i, j]*0.8 + 50) > 255:

gray= 255

else:

gray= grayImage[i, j]*0.8 + 50result[i, j]=np.uint8(gray)

cv2.imshow("src", grayImage)

cv2.imshow("result", result)if cv2.waitKey() == 27:

cv2.destroyAllWindows()

效果如下:

图像灰度反色变换

反色变换又称为线性灰度补变换，它是对原图像的像素值进行反转，即黑色变为白色，白色变为黑色

importcv2importnumpy as npimportmatplotlib.pyplot as plt

img= cv2.imread("src.png")

grayImage=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

height, width= grayImage.shape[:2]

result=np.zeros((height, width), np.uint8)#图像灰度上移变换

for i inrange(height):for j inrange(width):

gray= 255 -int(grayImage[i,j])

result[i, j]=np.uint8(gray)

cv2.imshow("src", grayImage)

cv2.imshow("result", result)if cv2.waitKey() == 27:

cv2.destroyAllWindows()

效果如下:

图像灰度非线性变换: DB=DAxDA/255

图像的灰度非线性变换主要包括对数变换、幂次变换、指数变换、分段函数变换，通过非线性关系对图像进行灰度处理，下面主要讲解三种常见类型的灰度非线性变换。

原始图像的灰度值按照DB=DA*DA/255

importcv2importnumpy as npimportmatplotlib.pyplot as plt

img= cv2.imread("src.png")

grayImage=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

height, width= grayImage.shape[:2]

result=np.zeros((height, width), np.uint8)#图像灰度上移变换

for i inrange(height):for j inrange(width):

gray= int(grayImage[i, j])*int(grayImage[i, j])/255result[i, j]=np.uint8(gray)

cv2.imshow("src", grayImage)

cv2.imshow("result", result)if cv2.waitKey() == 27:

cv2.destroyAllWindows()

效果如下:

图像灰度对数变换

由于对数曲线在像素值较低的区域斜率大，在像素值较高的区域斜率较小，所以图像经过对数变换后，较暗区域的对比度将有所提升。这种变换可用于增强图像的暗部细节，从而用来扩展被压缩的高值图像中的较暗像素。

对数变换实现了扩展低灰度值而压缩高灰度值的效果，被广泛地应用于频谱图像的显示中。一个典型的应用是傅立叶频谱，其动态范围可能宽达0～106直接显示频谱时，图像显示设备的动态范围往往不能满足要求，从而丢失大量的暗部细节；而在使用对数变换之后，图像的动态范围被合理地非线性压缩，从而可以清晰地显示。在下图中，未经变换的频谱经过对数变换后，增加了低灰度区域的对比度，从而增强暗部的细节。

importcv2importnumpy as npimportmatplotlib.pyplot as pltdeflog_plot(c):

x= np.arange(0, 256, 0.01)

y= c * np.log(1+x)

plt.plot(x, y,"r", linewidth=1)

plt.rcParams["font.sans-serif"] = ["SimHei"]

plt.title("对数变换函数")

plt.xlim(0,255)

plt.ylim(0,255)

plt.show()#对数变换

deflog(c, img):

output= c * np.log(1.0+img)

output=np.uint8(output)returnoutput

img= cv2.imread("src.png")

log_plot(42)

result= log(42, img)

cv2.imshow("src", img)

cv2.imshow("result", result)if cv2.waitKey() == 27:

cv2.destroyAllWindows()

图像灰度伽玛变换

伽玛变换又称为指数变换或幂次变换，另一种常用的灰度非线性变换。

Db = cXDa^y

当γ>1时，会拉伸图像中灰度级较高的区域，压缩灰度级较低的部分。

当γ<1时，会拉伸图像中灰度级较低的区域，压缩灰度级较高的部分。

当γ=1时，该灰度变换是线性的，此时通过线性方式改变原图像。

importcv2importnumpy as npimportmatplotlib.pyplot as pltdefgamma_plot(c, v):

x= np.arange(0, 256, 0.01)

y= c *x**v

plt.plot(x, y,"r", linewidth=1)

plt.rcParams["font.sans-serif"] = ["SimHei"]

plt.title("对数变换函数")

plt.xlim([0,255])

plt.ylim([0,255])

plt.show()#对数变换

defgamma(img, c, v):

lut= np.zeros(256, dtype=np.float32)for i in range(256):

lut[i]= c*i**v#灰度值的映射

output =cv2.LUT(img, lut)

output= np.uint8(output + 0.5)returnoutput

img= cv2.imread("src.png")

gamma_plot(0.0000005, 4)

result= gamma(img, 0.0000005, 4)

cv2.imshow("src", img)

cv2.imshow("result", result)if cv2.waitKey() == 27:

cv2.destroyAllWindows()