图像对比度，反锐化和批量化处理python实现

一
图片处理，给图片修改对比度，把一个颜色很暗的图片通过对比度调节变得清晰

导入一张图片，然后修改图片的对比度，通过修改add weight函数中的三个参数获取不同的对比度
add weight（图片名称，参数m，blank，1-m(用1减去m)，参数n）
m=2,n=－10，图片对比度调节效果比较好

// 
import cv2
import numpy as np
#导入图片处理用到的库
image ="10087-90.jpg"   #图片名称
img = cv2.imdecode(np.fromfile(image, dtype=np.uint8), flags=cv2.IMREAD_COLOR) #imdecode从内存来读取图片的位置信息
rows, cols, channels = img.shape
blank = np.zeros([rows, cols, channels], img.dtype)
dst = cv2.addWeighted(img, 2, blank, -1, -10)
cv2.imwrite(r'D:\Dataset\image\10087-90-duibi.jpg',dst)

二
图片反锐化掩码
突出图片细节和边缘
原理是先把图像进行滤波，让图像变得模糊，图像高平成分就会减少，然后用滤波后图像和原图做减法，留下的都是图像高频成分，最后在用原图和做减法后的结果相加，这样图片中低频成分基本不变，高频成分得到加强，突出边缘和图像细节
radius，amount两个参数调节来改变锐化效果
radius=5，amount=10，图片处理效果比较好。

import cv2
from skimage.filters import unsharp_mask                  #导入包
image = cv2.imread('10299-90-rui-duibi-rui-duibi.jpg')     #导入图片
result_1 = unsharp_mask(image, radius=1, amount=1)        #输出三个结果，参数不一样
result_2 = unsharp_mask(image, radius=5, amount=2)
result_3 = unsharp_mask(image, radius=5, amount=8) 
cv2.imwrite(r"D:\Dataset\image\10299-90-rui-duibi-rui-duibi-rui.jpg",result_3*255)#反锐化结果需要*255

unsharp_mask函数实现，

import numpy as np
from ..util.dtype import img_as_float
from .._shared import utils
from .._shared.filters import gaussian
def _unsharp_mask_single_channel(image, radius, amount, vrange):
    blurred = gaussian(image, sigma=radius, mode='reflect')
    result = image + (image - blurred) * amount
    if vrange is not None:
        return np.clip(result, vrange[0], vrange[1], out=result)
    return result
def unsharp_mask(image, radius=1.0, amount=1.0,
                 preserve_range=False, *, channel_axis=None):
                 vrange = None  # Range for valid values; used for clipping.
    float_dtype = utils._supported_float_type(image.dtype)
    if preserve_range:
        fimg = image.astype(float_dtype, copy=False)
    else:
        fimg = img_as_float(image).astype(float_dtype, copy=False)
        negative = np.any(fimg < 0)
        if negative:
            vrange = [-1., 1.]
        else:
            vrange = [0., 1.]

    if channel_axis is not None:
        result = np.empty_like(fimg, dtype=float_dtype)
        for channel in range(image.shape[channel_axis]):
            sl = utils.slice_at_axis(channel, channel_axis)
            result[sl] = _unsharp_mask_single_channel(
                fimg[sl], radius, amount, vrange)
        return result
    else:
        return _unsharp_mask_single_channel(fimg, radius, amount, vrange)

三
批量化处理
同时用一和二的步骤处理图片，并且文件数量大，一张一张太慢，直接输入目标文件夹和导出文件夹直接完成批量化处理。

import numpy as np
import os
import cv2
from skimage.filters import unsharp_mask
path = 'D:\Dataset\BH Image Data\data1jpg'  # 图片路径
savepath = r'D:\Dataset\BH Image Data\data1jpg_rd'  # 存储路径
def read_path(path,savepath):
    files = os.listdir(path)
    for file in files:
        path_name = path + "/" + file  # 源文件路径
        image = cv2.imread(path_name)
        result = unsharp_mask(image, radius=5, amount=8)
        result1=result*255
        print(file)
        rows, cols, channels = result1.shape
        blank = np.zeros([rows, cols, channels], result1.dtype)
        dst = cv2.addWeighted(result1, 2, blank, -1, -10)
        cv2.imwrite(savepath + '/' + file, dst)
    print('numrous='+str(len(files)))
    print('读取文件结束')
if __name__ == '__main__':
    read_path(path, savepath)

批量化处理学习到的点：
cv2调用输入函数时候，输入路径，cv2.imwrite（）存储图片时候，括号内必须是两个参数，第一个是存储路径，存储路径后续必须加上存储时候想要图片的名字，第二个是存储图片的名字，不是前面的名字，而是在上面代码中，所存储图片的代码，类似于dst。
读取文件内所有的文件，通过files=os.listdir(path),path是想要输入的文件夹，遍历所有图片可以通过
for file in files: 这样每一个file就是文件夹内图片名字。
看一个文件的长度用len（）函数，如果想要输出长度的化，print（’ 想要写的字 '，+str(len())),通过str()来转换为字符串的形式。

理解不到位，随时改！！