【无标题】

最新推荐文章于 2022-12-18 07:30:00 发布

风雨飘摇中的石头

最新推荐文章于 2022-12-18 07:30:00 发布

阅读量288

点赞数

分类专栏： python 文章标签： python opencv 计算机视觉

本文链接：https://blog.csdn.net/ydk001001/article/details/121579496

版权

python 专栏收录该内容

15 篇文章 0 订阅

订阅专栏

本文介绍了图像处理中的线性变换、对比度拉伸和幂律变换，包括它们对图像亮度、对比度的影响。通过Python的OpenCV库实现，展示了如何调整图像的对比度和亮度，以及如何处理漂白和过黑的图像，以增强图像的视觉效果。此外，还提到了图像的对数变换和均衡化处理，用于突出图像的细节和增强对比度。

摘要由CSDN通过智能技术生成

1、线性变换
图像增强线性变换主要可以对图像的对比度和亮度进行调整，线性变换公式如下：
在这里插入图片描述

参数 a 影响图像的对比度，参数 b 影响图像的亮度，具体分为可分为以下几种情况：

a>1：增强图像的对比度，图像看起来更加清晰
a<1：减小了图像的对比度，图像看起来变暗
a<0 and b=0：图像的亮区域变暗，暗区域变亮
a=1 and b≠0：图像整体的灰度值上移或者下移，也就是图像整体变亮或者变暗，不会改变图像的对比度，b>0时图像变亮，b<0时图像变暗
a=-1 and b=255：图像翻转

import cv2
    import random
    # import imutils
    import numpy as np

    # 彩色图像每个像素值是[x,y,z], 灰度图像每个像素值便是一个np.uint8
    path = './img/0.jpg'  # 路径二维码
    # path = './img/sachin.jpg'  # 路径
    image = cv2.imread(path)
    gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 图像大小调整
    ori_h, ori_w = image.shape[:2]
    height, width = gray_img.shape[:2]
    image = cv2.resize(image, (int(ori_w / ori_h * 400), 400), interpolation=cv2.INTER_CUBIC)
    gray_img = cv2.resize(gray_img, (int(width / height * 400), 400), interpolation=cv2.INTER_CUBIC)

    # a<0 and b=0: 图像的亮区域变暗，暗区域变亮
    a, b = -0.5, 0
    new_img1 = np.ones((gray_img.shape[0], gray_img.shape[1]), dtype=np.uint8)
    for i in range(new_img1.shape[0]):
        for j in range(new_img1.shape[1]):
            new_img1[i][j] = gray_img[i][j] * a + b

    # a>1: 增强图像的对比度,图像看起来更加清晰
    a, b = 1.5, 20
    new_img2 = np.ones((gray_img.shape[0], gray_img.shape[1]), dtype=np.uint8)
    for i in range(new_img2.shape[0]):
        for j in range(new_img2.shape[1]):
            if gray_img[i][j] * a + b > 255:
                new_img2[i][j] = 255
            else:
                new_img2[i][j] = gray_img[i][j] * a + b

    # a<1: 减小了图像的对比度, 图像看起来变暗
    a, b = 0.5, 0
    new_img3 = np.ones((gray_img.shape[0], gray_img.shape[1]), dtype=np.uint8)
    for i in range(new_img3.shape[0]):
        for j in range(new_img3.shape[1]):
            new_img3[i][j] = gray_img[i][j] * a + b

    # a=1且b≠0, 图像整体的灰度值上移或者下移, 也就是图像整体变亮或者变暗, 不会改变图像的对比度
    a, b = 1, -50
    new_img4 = np.ones((gray_img.shape[0], gray_img.shape[1]), dtype=np.uint8)
    for i in range(new_img4.shape[0]):
        for j in range(new_img4.shape[1]):
            pix = gray_img[i][j] * a + b
            if pix > 255:
                new_img4[i][j] = 255
            elif pix < 0:
                new_img4[i][j] = 0
            else:
                new_img4[i][j] = pix

    # a=-1, b=255, 图像翻转
    new_img5 = 255 - gray_img

    cv2.imshow('origin', image)
    cv2.imshow('gray', gray_img)
    cv2.imshow('a<0 and b=0', new_img1)
    cv2.imshow('a>1 and b>=0',new_img2)
    cv2.imshow('a<1 and b>=0',new_img3)
    cv2.imshow('a=1 and b><0',new_img4)
    cv2.imshow('a=-1 and b=255',new_img5)
    if cv2.waitKey(0) == 27:
        cv2.destroyAllWindows()

# 原文链接：https: // blog.csdn.net / feilong_csdn / article / details / 82780664

##############
在这里插入图片描述

对比度拉伸实例演示

# 分段线性变换应用之对比度拉伸、阈值处理
# 低对比度图像一般由光照不足，成像传感器动态范围太小，图像获取过程中镜头光圈设置错误引起，对比度拉伸是扩展图像灰度级动态范围的处理。变换算子
# 下面令(r1， s1) = (rmin，0)、(r2， s2) = (rmax，L-1)，其中
# rmin、rmax
# 分别代表数字图像中最小灰度级和最大灰度级，此变换函数将灰度级由原来范围线性拉伸到整个范围[0，L - 1]

 # import cv2
    # import imutils
    import numpy as np
    path = './img/0.jpg'  # 路径二维码
    # path = './img/sachin.jpg'  # 路径
    image = cv2.imread(path)
    gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 直接在原图上进行分段线性对比度拉伸
    # 此种方式变换函数把灰度级由原来的线性拉伸到整个范围[0, 255]
    r_min, r_max = 255, 0
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            for k in range(image.shape[2]):
                if image[i, j, k] > r_max:
                    r_max = image[i, j, k]
                if image[i, j, k] < r_min:
                    r_min = image[i, j, k]
    r1, s1 = r_min, 0
    r2, s2 = r_max, 255
    k1 = s1 / r1
    k3 = (255 - s2) / (255 - r2)
    k2 = (s2 - s1) / (r2 - r1)

    precewise_img = np.zeros((image.shape[0], image.shape[1], 3), dtype=np.float32)
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            for k in range(image.shape[2]):
                if r1 <= image[i, j, k] <= r2:
                    precewise_img[i, j, k] = k2 * (image[i, j, k] - r1)
                elif image[i, j, k] < r1:
                    precewise_img[i, j, k] = k1 * gray_img[i, j, k]
                elif image[i, j, k] > r2:
                    precewise_img[i, j, k] = k3 * (gray_img[i, j, k] - r2)

    # 原图中做分段线性变化后需要对图像进行归一化操作，并将数据类型转换到np.uint8
    cv2.normalize(precewise_img, precewise_img, 0, 255, cv2.NORM_MINMAX)
    precewise_img = cv2.convertScaleAbs(precewise_img)

    cv2.imshow('origin image',image)
    cv2.imshow('precewise image', precewise_img)
    if cv2.waitKey(0) == 27:
        cv2.destroyAllWindows()

#######################
在这里插入图片描述
“”"
对数变换将图像的低灰度值部分扩展，将其高灰度值部分压缩
，以达到强调图像低灰度部分的目的；同时可以很好的压缩像素值变化较大的图像的动态范围，
目的是突出我们需要的细节。反对数变换则与对数函数不同的是，强调的是图像的高灰度部分，对数变换公式如下
:return:
“”"

 import cv2
    import math
    path = './img/0.jpg'  # 路径二维码
    # path = './img/sachin.jpg'  # 路径
    image = cv2.imread(path)
    log_img = np.zeros((image.shape[0], image.shape[1], 3), dtype=np.float32)
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            log_img[i, j, 0] = math.log(1 + image[i, j, 0])
            log_img[i, j, 1] = math.log(1 + image[i, j, 1])
            log_img[i, j, 2] = math.log(1 + image[i, j, 2])
    cv2.normalize(log_img, log_img, 0, 255, cv2.NORM_MINMAX)
    log_img = cv2.convertScaleAbs(log_img)
    cv2.imshow('image', image)
    cv2.imshow('log transform', log_img)
    if cv2.waitKey(0) == 27:
        cv2.destroyAllWindows()

在这里插入图片描述
4、幂律变换
幂律变换主要用于图像的校正，对漂白的图片或者是过黑的图片进行修正，幂律变换的公式如下：根据 φ 的大小，主要可分为一下两种情况：
φ > 1：处理漂白的图片，进行灰度级压缩
φ < 1：处理过黑的图片，对比度增强，使得细节看的更加清楚

path = './img/0.jpg'  # 路径二维码
    # path = './img/sachin.jpg'  # 路径
    image = cv2.imread(path)
    log_img = np.zeros((image.shape[0], image.shape[1], 3), dtype=np.float32)
    # 幂律变换 φ>1
    min_min=0.4  #上面是5
    gamma_img1 = np.zeros((image.shape[0], image.shape[1], 3), dtype=np.float32)
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            gamma_img1[i, j, 0] = math.pow(image[i, j, 0], min_min)
            gamma_img1[i, j, 1] = math.pow(image[i, j, 1],min_min)
            gamma_img1[i, j, 2] = math.pow(image[i, j, 2], min_min)
    cv2.normalize(gamma_img1, gamma_img1, 0, 255, cv2.NORM_MINMAX)
    gamma_img1 = cv2.convertScaleAbs(gamma_img1)
    cv2.imshow('image', image)
    cv2.imshow('gamma1 transform', gamma_img1)
    if cv2.waitKey(0) == 27:
        cv2.destroyAllWindows()

在这里插入图片描述

import cv2
    import math
    import matplotlib.pyplot as plt

    path = './img/0.jpg'  # 路径二维码
    # path = './img/sachin.jpg'  # 路径
    image = cv2.imread(path)
    image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 对图像进行均衡化处理，增强图像对比度
    image_equ = cv2.equalizeHist(image_gray)

    hist = cv2.calcHist([image_gray], [0], None, [256], [0, 256])
    equ_hist = cv2.calcHist([image_equ], [0], None, [256], [0, 256])
    fig = plt.figure()
    ax1 = fig.add_subplot(1, 2, 1)
    ax1.plot(hist)
    ax2 = fig.add_subplot(1, 2, 2)
    ax2.plot(equ_hist)
    plt.show()

    cv2.imshow('wiki_origin', image)
    cv2.imshow('wiki_gray', image_gray)
    cv2.imshow('wiki_equ', image_equ)
    if cv2.waitKey(0) == 27:
        cv2.destroyAllWindows()