图像增强及滤波

图像增强及滤波

原创2022-06-12 00:52·爱阅读

图像增强主要是通过对图像进行处理，来突出感兴趣区域或抑制低兴趣区域信息的方法，也就是尽可能多的呈现“有用”信息、压缩其他“无用”信息。一般来说，通过图像增强可以改善图像的视觉呈现效果，并有利于计算机进行后续处理。例如下面这张夜景图片，图像灰度范围很小，视觉呈现灰暗，也看不到一些细节线性，整体视觉体验比较差，那么可以尝试通过图像增强算法改善图像呈现效果。

1. 灰度变换。

（1）线性变换：

y = ax + b， 我们试一下a = 2, a = 3 和 b = 0 和 b = 50情况下的直方图，可以发现，b相同时，a 越大灰度范围越大，图像对比度也越明显，同时看到的信息也相对更多；当a固定，b越大图像越亮。

直方图

线性变换效果

我们发现整体进行灰度变换时，图像整体灰度变换范围还是很窄，那是不是在不同的灰度范围给与不同的 线性变换会好一些呢？

（2）分段线性变换

线性变换参数调整非常繁琐，可以尝试直方图标准化。

（3）直方图标准化（线性变换）

我们可以看到整体而言，灰度在0~255是不均衡分布的，我们再看看直方图均衡化效果：

均衡化虽然大幅提高了动态范围，使得图像整体对比度增加了，但是出现了明显的亮点而失真，另外，对于直方图的高峰时，拉伸后将出现对比度不自然的过分增强现象。因此，我们期望对局部进行增强，即自适应直方图均衡化。

从3种直方图的效果来看，还是自适应均衡化效果最好，但相对耗时明显。

（4）gamma变换：指数变换，G主要是用来图像增强、提升了暗部细节，从而让图像从曝光强度的线性响应变得更接近人眼感受。

def gamma(gray_img, r = 1):
    img = gray_img / 255.0
    img = np.power(img, r)
    img = img * 255
    
    return img.astype(np.uint8)

g1 = gamma(gray1, 0.4)
g2 = gamma(gray1, 0.6)
g3 = gamma(gray1, 0.8)
g4 = gamma(gray1, 1.2)
g5 = gamma(gray1, 1.4)


plt.figure(figsize=(15,8))
plt.subplot(231), plt.imshow(gray1, "gray"),plt.title("原图")
plt.subplot(232), plt.imshow(g1, "gray"),plt.title("r = 0.4")
plt.subplot(233), plt.imshow(g2, "gray"),plt.title("r = 0.6")
plt.subplot(234), plt.imshow(g3, "gray"),plt.title("r = 0.8")
plt.subplot(235), plt.imshow(g4, "gray"),plt.title("r = 1.2")
plt.subplot(236), plt.imshow(g5, "gray"),plt.title("r = 1.4")
plt.show()

今天就分享到这里, 我是paperClub。

备注：WeiXin 搜索paperClub, 添加关注并回复【paperClub】即可获取使用方法。 

1. 感谢各位小伙伴的关注， 您的点赞、鼓励和留言，都是我深夜坚持的一份动力，无论褒贬，都是我们行进途中最好的回馈，也都会被认真对待。

2. 我将持续分享各类、好玩且有趣的算法应用及工程和项目，欢迎分享和转发。沟通、学习和交流，请与我联系，虽然平时忙，但留言必回，勿急，感谢理解！

3. 分享内容包括开源项目和自研项目，如在引用或使用时，考虑不周、遗漏引用信息或涉及版权等，请您及时联系。如果您对某些内容感兴趣，我们可以一起讨论、交流和学习。