• 对数及对比度拉伸变换 对数和对比度拉伸变换是:动态范围操作的基本工具 表达式:g=c*log(1+f),其中c是一个常数,f是浮点数 对数变换:  应用:压缩动态范围(实现了图像灰度扩展和压缩...
    
    


    对数及对比度拉伸变换



    对数和对比度拉伸变换是:动态范围操作的基本工具

    表达式:g=c*log(1+f),其中c是一个常数,f是浮点数

    对数变换:
                   应用:压缩动态范围(实现了图像灰度扩展和压缩功能,扩展低灰度值而压缩高灰度值,让图像的灰度分布更加符合人的视觉特性)(灰度值0(黑)~255(白))
                             可以利用这种变换来扩展被压缩的高值图像中的暗像素
         
                   mat2gray(f):会将压缩值限定在【0,1】范围

                   im2uint8( mat2gray(f) ):会将值限定在【0,255】范围

    对比度拉伸变换函数:把窄的输入灰度级扩展为宽的范围的输出灰度级,结果是一幅高对比度的图像
                      表达式:                  1
                                s=T(r)=   - - - - - - -     ,
                                              1+(m/r)^E
                                其中r为输入图像的灰度,s是输出图像中的相应灰度值,E用于控制该函数的斜率

    阈值化/阈值处理函数:用于图像分割的简单工具


     
    展开全文
  • 我们前面提到过图像二值化,图像反转,本质上是对图像的所有像素点的灰度进行操作,属于灰度变换的内容。灰度变换的主要目的是用于图像增强。 而对比度拉伸图像增强的一种方法,也属于灰度变换操作。我们看如下...

    我们前面提到过图像二值化,图像反转,本质上是对图像的所有像素点的灰度进行操作,属于灰度变换的内容。灰度变换的主要目的是用于图像增强

    而对比度拉伸是图像增强的一种方法,也属于灰度变换操作。我们看如下图像:
    这里写图片描述
    可以看到,这张图片非常灰暗。我们查看下其直方图。

    import cv2
    import matplotlib.pyplot as plt
    
    farina = cv2.imread("farina.png", 0)
    
    hist_full = cv2.calcHist([farina], [0], None, [256], [0, 256])
    
    plt.plot(hist_full)
    plt.show()
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9

    这里写图片描述
    可以看到所有像素的灰度值大部分集中在20-50之间,这使得整个图像很暗淡。也就是说对比度不高。如果我们通过灰度变换,将灰度值拉伸到整个0-255的区间,那么其对比度显然是大幅增强的。可以用如下的公式来将某个像素的灰度值映射到更大的灰度空间:

    I(x,y=I(x,y)IminImaxImin(MAXMIN)+MIN I(x, y)=\frac {I(x,y)-Imin}{Imax-Imin}(MAX-MIN)+MIN

    其中Imin,Imax是原始图像的最小灰度值和最大灰度值,MIN和MAX是要拉伸到的灰度空间的灰度最小值和最大值。

    Imax = np.max(farina)
    Imin = np.min(farina)
    MAX = 255
    MIN = 0
    farina_cs = (farina - Imin) / (Imax - Imin) * (MAX - MIN) + MIN
    cv2.imshow("farina_cs", farina_cs.astype("uint8"))
    cv2.waitKey()
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7

    这里写图片描述

    可以看出,对比度提升了很多。我们再看看其直方图,可以看到已经充满了整个灰度空间。
    这里写图片描述

    除了上述方法,对比度拉伸还有其它方法吗?当然是有的。例如直方图位移法(Histogram shifting)。公式如下:,

    I(x,y)=I(x,y)+offset I(x,y)=I(x,y)+offset

    在每个像素位置的灰度值增加一个偏移量offset。注意,这个offset可以是正数,也可以是负数。正的话,整体亮度变亮,负的话,整体亮度变暗。需要注意的是控制offset的值大小,不要越界。

    farina_cs = farina + 100
    cv2.imshow("farina_offset", farina_cs.astype("uint8"))
    cv2.waitKey()
    hist_full = cv2.calcHist([farina_cs.astype("uint8")], [0], None, [256], [0, 256])
    plt.plot(hist_full)
    plt.show()
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    下面分别是使用直方图位移方法后的图像和其直方图。
    这里写图片描述
    这里写图片描述

    可以看出直方图与原始直方图形状一模一样,只是在横轴上有所偏移。这种方法的图像增强效果并没有上一种方法好。

    转载自:https://blog.csdn.net/saltriver/article/details/79677199

    展开全文
  • 对数与对比度拉伸变换是进行动态范围处理的基本工具 对数变换的表达式:g = c*log(1+f),主要应用压缩动态范围 其中c是一个常数,f是浮点数, 图像类似: gamma曲线的形状可变,但是对数形状是固定的 当执行...

    对数与对比度拉伸变换是进行动态范围处理的基本工具

    一、对数变换

    对数变换的表达式g = c*log(1+f),主要应用压缩动态范围
    其中 c 是一个常数,f 是浮点数,
    图像类似:
    在这里插入图片描述
    gamma 曲线的形状可变,但是对数形状是固定的

    当执行一个对数变换时,通常期望将导致的压缩值还原为显示的全范围

    % 例如对于8比特而言
    gs = im2uint8(mat2gray(g));
    

    使用函数 mat2gray 可将值限定在范围[0,1]内,使用函数im2uint8可将值限定在范围[0,255]内

    示例:利用对数变换减小动态范围
    题目:将一个取值范围在0至10^6的傅里叶频谱,显示在线性标度8位的显示系统上

    >> g = im2uint8(mat2gray(log(1+double(f))));
    >> imshow(g)
    

    这里之所以这么麻烦的转换:
    是为了进行先归一化,然后转换成uint8,防止跨度过大的图像矩阵的边缘像素被抹去。
    在这里插入图片描述

    二、对比拉伸变换函数

    为什么要进行对比度拉伸变换 ?

    对比度变换是一种通过改变图像像元的亮度值来改变图像像元的对比度,从而改善图像质量的图像处理方法。因为亮度值是辐射强度的反应,所以也称为辐射增强。
    原理:将图像中过于集中的像元分布区域(亮度值分布范围)拉开扩展,扩大图像反差的对比度,增强图像表现的层次性。达到增强反差的目的,主要通过调整直方图来实现。

    对比拉伸变换函数
    在这里插入图片描述
    E = 20时多得到的图像:
    在这里插入图片描述
    其中r表示输入图像的亮度,s是输出图像的相应亮度值,E控制该函数的斜率
    MATLAB中,该式由 g = 1./(1+(m./(double(f)+eps)).^E),由于g的限制值为1,因此使用这种类型变换时输出值不能超过范围[0,1 ]
    该函数可将窄范围的输入灰度级扩展为宽(拉伸)范围的输出灰度级,输出的是一幅具有高对比度的图像

    展开全文
  • 书中所有的实验与数学式都采用了8-bit 图像的灰度范围,也就是0到255这样一个范围,这是本书不合理的一个地方。首先,这样做并不泛用,图片不一定是8-bit的。其次,在做某些变换的时候,可能会导致溢出。比如,伽马
    灰度变换,属于一个非常重要的概念。这里主要参考《Digital Image Processing》 Rafael C. Gonzalez / Richard E. Woods 的第三章。书中所有的实验与数学式都采用了8-bit 图像的灰度范围,也就是0到255这样一个范围,这是本书不合理的一个地方。首先,这样做并不泛用,图片不一定是8-bit的。其次,在做某些变换的时候,可能会导致溢出。比如,伽马变化,假设伽马值为2,那么灰度为255的像素点,其变换之后值为65025,这里就溢出了。当然,要是使用Matlab计算,肯定会处理的非常好,直接使用mat2gray函数就能将其压缩回0到255。但是要是其他嵌入式平台处理的时候,直接套用不方便不说,直接按照8-bit的图来理解很不直观。因此,我将数学式做了改变,让其输入为0到1的浮点数,其输出也是0到1的浮点数,这样方便理解。
    

          本文所使用的图片,均来源于《Digital Image Processing》的主页 http://www.imageprocessingplace.com/

           图像反转

           图像反转,这个翻译还是很不恰当的。这里应该理解为负片变换,负片变换如下所示。

    负片变换,主要用于观察过黑的图片,负片变换之后,方便观察。很简单的变换。

           对数变换

           对数变换主要用于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。变换方法由下式给出。

    这里的对数变换,底数为,实际计算的时候,需要用换底公式。其输入为,其输出也为。对于不同的底数,其对应的变换曲线如下图所示。

    底数越大,对低灰度部分的强调就越强,对高灰度部分的压缩也就越强。相反的,如果想强调高灰度部分,则用反对数函数就可以了。看下面的实验就可以很直观的理解,下图是某图像的二维傅里叶变换图像,其为了使其灰度部分较为明显,一般都会使用灰度变换处理一下。

           实现对数变换的Matlab代码如下:
    1. close all;  
    2. clear all;  
    3.   
    4. %% -------------Log Transformations-----------------  
    5. f = imread('DFT_no_log.tif');  
    6. f = mat2gray(f,[0 255]);  
    7.   
    8. v = 10;  
    9. g_1 = log2(1 + v*f)/log2(v+1);  
    10.   
    11. v = 30;  
    12. g_2 = log2(1 + v*f)/log2(v+1);  
    13.   
    14. v = 200;  
    15. g_3 = log2(1 + v*f)/log2(v+1);  
    16.   
    17. figure();  
    18. subplot(1,2,1);  
    19. imshow(f,[0 1]);  
    20. xlabel('a).Original Image');  
    21. subplot(1,2,2);  
    22. imshow(g_1,[0 1]);  
    23. xlabel('b).Log Transformations v=10');  
    24.   
    25. figure();  
    26. subplot(1,2,1);  
    27. imshow(g_2,[0 1]);  
    28. xlabel('c).Log Transformations v=100');  
    29.   
    30. subplot(1,2,2);  
    31. imshow(g_3,[0 1]);  
    32. xlabel('d).Log Transformations v=200');  
    close all;
    clear all;
    
    %% -------------Log Transformations-----------------
    f = imread('DFT_no_log.tif');
    f = mat2gray(f,[0 255]);
    
    v = 10;
    g_1 = log2(1 + v*f)/log2(v+1);
    
    v = 30;
    g_2 = log2(1 + v*f)/log2(v+1);
    
    v = 200;
    g_3 = log2(1 + v*f)/log2(v+1);
    
    figure();
    subplot(1,2,1);
    imshow(f,[0 1]);
    xlabel('a).Original Image');
    subplot(1,2,2);
    imshow(g_1,[0 1]);
    xlabel('b).Log Transformations v=10');
    
    figure();
    subplot(1,2,1);
    imshow(g_2,[0 1]);
    xlabel('c).Log Transformations v=100');
    
    subplot(1,2,2);
    imshow(g_3,[0 1]);
    xlabel('d).Log Transformations v=200');

           伽马变换

           伽马变换主要用于图像的校正,将漂白的图片或者是过黑的图片,进行修正。伽马变换也常常用于显示屏的校正,这是一个非常常用的变换。其变化所用数学式如下所示,

    其输入为,其输出也为对于不同的伽马值,其对应的变换曲线如下图所示。

    和对数变换一样,伽马变换可以强调图像的某个部分。根据下面两个实验,可以看出伽马变换的作用。
           实验1:

    其实现Matlab代码为:
    1. close all;  
    2. clear all;  
    3.   
    4. %% -------------Gamma Transformations-----------------  
    5. f = imread('fractured_spine.tif');  
    6. f = mat2gray(f,[0 255]);  
    7.   
    8. C = 1;  
    9. Gamma = 0.4;  
    10. g2 = C*(f.^Gamma);  
    11.   
    12. figure();  
    13. subplot(1,2,1);  
    14. imshow(f,[0 1]);  
    15. xlabel('a).Original Image');  
    16.   
    17. subplot(1,2,2);  
    18. imshow(g2,[0 1]);  
    19. xlabel('b).Gamma Transformations \gamma = 0.4');  
    close all;
    clear all;
    
    %% -------------Gamma Transformations-----------------
    f = imread('fractured_spine.tif');
    f = mat2gray(f,[0 255]);
    
    C = 1;
    Gamma = 0.4;
    g2 = C*(f.^Gamma);
    
    figure();
    subplot(1,2,1);
    imshow(f,[0 1]);
    xlabel('a).Original Image');
    
    subplot(1,2,2);
    imshow(g2,[0 1]);
    xlabel('b).Gamma Transformations \gamma = 0.4');
           实验2:

           灰度拉伸

           灰度拉伸也用于强调图像的某个部分,与伽马变换与对数变换不同的是,灰度拉升可以改善图像的动态范围。可以将原来低对比度的图像拉伸为高对比度图像。实现灰度拉升的方法很多,其中最简单的一种就是线性拉伸。而这里介绍的方法稍微复杂一些。灰度拉伸所用数学式如下所示。

    同样的,其输入为,其输出也为。这个式子再熟悉不过了,跟巴特沃斯高通滤波器像极了,其输入输出关系也大致能猜到是个什么形状的。但是,这里就出现一个问题了,输入为0时候,式子无意义了。所以,在用Matlab计算的时候,将其变为如下形式。

    这里的eps,就是Matlab里面,一个很小数。如此做的话,式子变得有意义了。但是,其输入范围为的时候,其输出范围变为了。输出范围大致为,为了精确起见,使用mat2gray函数将其扩展到精确的。调用格式如下。
    1. g = mat2gray(g,[1/(1+(m/eps)^E) 1/(1+(m/1+eps)^E)]);  
    g = mat2gray(g,[1/(1+(m/eps)^E) 1/(1+(m/1+eps)^E)]);
           输入输出问题解决了,还有一个问题,参数的决定。这里有两个参数,一个是m(相对于巴特沃斯高通滤波器而言,这个是截止频率),一个是E(相对于巴特沃斯高通滤波器而言,这个是滤波器次数)。m可以控制变换曲线的重心,E则可以控制曲线的斜率,如下图所示。

    m值的可取图像灰度分布的中央值,如下式所示,

           决定m之后,接下来就只剩E了。灰度拉升的目的就是扩展图片的动态范围,我们想将原本灰度范围是的图像变换到内。那么,就直接取最大值与最小值,带入式子,解出E就可以了。但是,如之前所说的,我们所用的式子的的输出范围达不到,而且,直接取的范围,会造成E非常大,从而变换曲线的斜率非常大,灰度扩展的结果并不是很好。所以,这里退一步,取的输出范围是。E的取值,如下所示。

           实验:

           从直方图看,原图的灰度范围确实被拉伸了。用上面所说的方法,确定的灰度拉伸的输入输出曲线如下图所示。

          其Matlab代码如下:
    1. close all;  
    2. clear all;  
    3.   
    4. %% -------------Contrast Stretching-----------------  
    5. f = imread('washed_out_pollen_image.tif');  
    6. %f = imread('einstein_orig.tif');  
    7. f = mat2gray(f,[0 255]);  
    8.   
    9. [M,N] = size(f);  
    10. g = zeros(M,N);  
    11.   
    12. Min_f = min(min(f));  
    13. Max_f = max(max(f));  
    14. m = (Min_f + Max_f)/2;  
    15.   
    16. Out_put_min = 0.05;  
    17. Out_put_max = 0.95;  
    18.   
    19. E_1 = log(1/Out_put_min - 1)/log(m/(Min_f+eps));  
    20. E_2 = log(1/Out_put_max - 1)/log(m/(Max_f+eps));  
    21. E = ceil(min(E_1,E_2)-1);  
    22.   
    23. g = 1 ./(1 + (m ./ (f+ eps)).^E);  
    24. g = mat2gray(g,[1/(1+(m/eps)^E) 1/(1+(m/1+eps)^E)]);  
    25.   
    26. figure();  
    27. subplot(2,2,1);  
    28. imshow(f,[0 1]);  
    29. xlabel('a).Original Image');  
    30.   
    31. subplot(2,2,2);  
    32. r = imhist(f)/(M*N);  
    33. bar(0:1/255:1,r);  
    34. axis([0 1 0 max(r)]);  
    35. xlabel('b).The Histogram of a');  
    36. ylabel('Number of pixels');  
    37.   
    38. subplot(2,2,3);  
    39. imshow(g,[0 1]);  
    40. xlabel('c).Results of Contrast stretching');  
    41.   
    42. subplot(2,2,4);  
    43. s = imhist(g)/(M*N);  
    44. bar(0:1/255:1,s);  
    45. axis([0 1 0 max(s)]);  
    46. xlabel('b).The Histogram of a');  
    47. ylabel('Number of pixels');  
    48.   
    49. in_put = 0:1/255:1;  
    50. Out_put1 = 1 ./(1 + (m ./ (double(in_put)+ eps)).^E);  
    51. Out_put1 = mat2gray(Out_put1,[1/(1+(m/eps)^E) 1/(1+(m/1+eps)^E)]);  
    52.   
    53. figure();  
    54. plot(in_put,Out_put1);  
    55. axis([0,1,0,1]),grid;  
    56. axis square;  
    57. xlabel('Input intensity level');  
    58. ylabel('Onput intensity level');  
    close all;
    clear all;
    
    %% -------------Contrast Stretching-----------------
    f = imread('washed_out_pollen_image.tif');
    %f = imread('einstein_orig.tif');
    f = mat2gray(f,[0 255]);
    
    [M,N] = size(f);
    g = zeros(M,N);
    
    Min_f = min(min(f));
    Max_f = max(max(f));
    m = (Min_f + Max_f)/2;
    
    Out_put_min = 0.05;
    Out_put_max = 0.95;
    
    E_1 = log(1/Out_put_min - 1)/log(m/(Min_f+eps));
    E_2 = log(1/Out_put_max - 1)/log(m/(Max_f+eps));
    E = ceil(min(E_1,E_2)-1);
    
    g = 1 ./(1 + (m ./ (f+ eps)).^E);
    g = mat2gray(g,[1/(1+(m/eps)^E) 1/(1+(m/1+eps)^E)]);
    
    figure();
    subplot(2,2,1);
    imshow(f,[0 1]);
    xlabel('a).Original Image');
    
    subplot(2,2,2);
    r = imhist(f)/(M*N);
    bar(0:1/255:1,r);
    axis([0 1 0 max(r)]);
    xlabel('b).The Histogram of a');
    ylabel('Number of pixels');
    
    subplot(2,2,3);
    imshow(g,[0 1]);
    xlabel('c).Results of Contrast stretching');
    
    subplot(2,2,4);
    s = imhist(g)/(M*N);
    bar(0:1/255:1,s);
    axis([0 1 0 max(s)]);
    xlabel('b).The Histogram of a');
    ylabel('Number of pixels');
    
    in_put = 0:1/255:1;
    Out_put1 = 1 ./(1 + (m ./ (double(in_put)+ eps)).^E);
    Out_put1 = mat2gray(Out_put1,[1/(1+(m/eps)^E) 1/(1+(m/1+eps)^E)]);
    
    figure();
    plot(in_put,Out_put1);
    axis([0,1,0,1]),grid;
    axis square;
    xlabel('Input intensity level');
    ylabel('Onput intensity level');

           灰度切割

           灰度切割也是一个很简单,但也很实用的变换。灰度切割,主要用于强调图像的某一部份,将这个部分赋为一个较高的灰度值,其变换对应关系如下所示。

    灰度切割有以上两种方法,一种是特定灰度值的部分赋值为一个较高的灰度值,其余部分为一个较低的灰度值。这样的方法,得到的结果是一个二值化图像。另外一种方法,则是仅仅强调部分赋值为一个较高的灰度值,其余的部分不变。
           实验:

           位图切割

           位图切割,就是按照图像的位,将图像分层处理。若图像的某个像素,其bit7为1,则在位面7这个像素值为1,反之则为0。
           实验:

           由位图切割的结果,图像的主要信息包含在了高4位。仅仅靠高4位,还原的图像更原图基本差不多。由此可见,位图切割主要用于图像压缩。
    展开全文
  • 前一篇文章讲解了图像灰度化处理及线性变换知识,结合OpenCV调用cv2.cvtColor()函数实现图像灰度操作,本篇文章主要讲解非线性变换,使用自定义方法对图像进行灰度化处理,包括对数变换和伽马变换。本文主要讲解灰度...

    该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门、OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子、图像增强技术、图像分割等,后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助,如果有不足之处,还请海涵~

    该系列在github所有源代码:https://github.com/eastmountyxz/ImageProcessing-Python
    PS:请求帮忙点个Star,哈哈,第一次使用Github,以后会分享更多代码,一起加油。

    同时推荐作者的C++图像系列知识:
    [数字图像处理] 一.MFC详解显示BMP格式图片
    [数字图像处理] 二.MFC单文档分割窗口显示图片
    [数字图像处理] 三.MFC实现图像灰度、采样和量化功能详解
    [数字图像处理] 四.MFC对话框绘制灰度直方图
    [数字图像处理] 五.MFC图像点运算之灰度线性变化、灰度非线性变化、阈值化和均衡化处理详解
    [数字图像处理] 六.MFC空间几何变换之图像平移、镜像、旋转、缩放详解
    [数字图像处理] 七.MFC图像增强之图像普通平滑、高斯平滑、Laplacian、Sobel、Prewitt锐化详解

    前文参考:
    [Python图像处理] 一.图像处理基础知识及OpenCV入门函数
    [Python图像处理] 二.OpenCV+Numpy库读取与修改像素
    [Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理
    [Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波
    [Python图像处理] 五.图像融合、加法运算及图像类型转换
    [Python图像处理] 六.图像缩放、图像旋转、图像翻转与图像平移
    [Python图像处理] 七.图像阈值化处理及算法对比
    [Python图像处理] 八.图像腐蚀与图像膨胀
    [Python图像处理] 九.形态学之图像开运算、闭运算、梯度运算
    [Python图像处理] 十.形态学之图像顶帽运算和黑帽运算
    [Python图像处理] 十一.灰度直方图概念及OpenCV绘制直方图
    [Python图像处理] 十二.图像几何变换之图像仿射变换、图像透视变换和图像校正
    [Python图像处理] 十三.基于灰度三维图的图像顶帽运算和黑帽运算
    [Python图像处理] 十四.基于OpenCV和像素处理的图像灰度化处理
    [Python图像处理] 十五.图像的灰度线性变换

    前一篇文章讲解了图像灰度化处理及线性变换知识,结合OpenCV调用cv2.cvtColor()函数实现图像灰度操作,本篇文章主要讲解非线性变换,使用自定义方法对图像进行灰度化处理,包括对数变换和伽马变换。本文主要讲解灰度线性变换,基础性知识希望对您有所帮助。
    1.图像灰度非线性变换:DB=DA×DA/255
    2.图像灰度对数变换
    3.图像灰度伽玛变换

    PS:文章参考自己以前系列图像处理文章及OpenCV库函数,同时参考如下文献:
    杨秀璋等. 基于苗族服饰的图像锐化和边缘提取技术研究[J]. 现代计算机,2018(10).
    《数字图像处理》(第3版),冈萨雷斯著,阮秋琦译,电子工业出版社,2013年.
    《数字图像处理学》(第3版),阮秋琦,电子工业出版社,2008年,北京.
    《OpenCV3编程入门》,毛星云,冷雪飞,电子工业出版社,2015.
    [数字图像处理] 五.MFC图像点运算之灰度线性变化、灰度非线性变化、阈值化和均衡化处理详解
    python+opencv+图像特效(图像灰度处理、颜色翻转、图片融合,边缘检测,浮雕效果)
    数字图像处理-空间域处理-灰度变换-基本灰度变换函数
    OpenCV图像增强算法实现(直方图均衡化、拉普拉斯、Log、Gamma)


    一.图像灰度非线性变换:DB=DA×DA/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的公式进行非线性变换,其代码如下:

    # -*- coding: utf-8 -*-
    import cv2  
    import numpy as np  
    import matplotlib.pyplot as plt
    
    #读取原始图像
    img = cv2.imread('miao.png')
    
    #图像灰度转换
    grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    #获取图像高度和宽度
    height = grayImage.shape[0]
    width = grayImage.shape[1]
    
    #创建一幅图像
    result = np.zeros((height, width), np.uint8)
    
    #图像灰度非线性变换:DB=DA×DA/255
    for i in range(height):
        for j in range(width):
            gray = int(grayImage[i,j])*int(grayImage[i,j]) / 255
            result[i,j] = np.uint8(gray)
    
    #显示图像
    cv2.imshow("Gray Image", grayImage)
    cv2.imshow("Result", result)
    
    #等待显示
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    

    图像灰度非线性变换的输出结果下图所示:


    二.图像灰度对数变换

    图像灰度的对数变换一般表示如公式所示:

    其中c为尺度比较常数,DA为原始图像灰度值,DB为变换后的目标灰度值。如下图所示,它表示对数曲线下的灰度值变化情况。

    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。

    下面的代码实现了图像灰度的对数变换。

    # -*- coding: utf-8 -*-
    import numpy as np
    import matplotlib.pyplot as plt
    import cv2
    
    #绘制曲线
    def log_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'] #正常显示中文标签
        plt.title(u'对数变换函数')
        plt.xlim(0, 255), plt.ylim(0, 255)
        plt.show()
    
    #对数变换
    def log(c, img):
        output = c * np.log(1.0 + img)
        output = np.uint8(output + 0.5)
        return output
    
    #读取原始图像
    img = cv2.imread('test.png')
    
    #绘制对数变换曲线
    log_plot(42)
    
    #图像灰度对数变换
    output = log(42, img)
    
    #显示图像
    cv2.imshow('Input', img)
    cv2.imshow('Output', output)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    

    下图表示经过对数函数处理后的效果图,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。

    对应的对数函数曲线如图


    三.图像灰度伽玛变换

    伽玛变换又称为指数变换或幂次变换,是另一种常用的灰度非线性变换。图像灰度的伽玛变换一般表示如公式所示:

    • 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。

    Python实现图像灰度的伽玛变换代码如下,主要调用幂函数实现。

    # -*- coding: utf-8 -*-
    import numpy as np
    import matplotlib.pyplot as plt
    import cv2
    
    #绘制曲线
    def gamma_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'] #正常显示中文标签
        plt.title(u'伽马变换函数')
        plt.xlim([0, 255]), plt.ylim([0, 255])
        plt.show()
    
    #伽玛变换
    def gamma(img, c, v):
        lut = np.zeros(256, dtype=np.float32)
        for i in range(256):
            lut[i] = c * i ** v
        output_img = cv2.LUT(img, lut) #像素灰度值的映射
        output_img = np.uint8(output_img+0.5)  
        return output_img
    
    #读取原始图像
    img = cv2.imread('test.png')
    
    #绘制伽玛变换曲线
    gamma_plot(0.00000005, 4.0)
    
    #图像灰度伽玛变换
    output = gamma(img, 0.00000005, 4.0)
    
    #显示图像
    cv2.imshow('Imput', img)
    cv2.imshow('Output', output)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    

    下图表示经过伽玛变换处理后的效果图,伽马变换对于图像对比度偏低,并且整体亮度值偏高(或由于相机过曝)情况下的图像增强效果明显。

    对应的幂律函数曲线如图所示。


    文章周日写于钟书阁,女神伴于旁。希望文章对大家有所帮助,如果有错误或不足之处,还请海涵。最近连续奔波考博,经历的事情太多,有喜有悲,需要改变自己好好对女神,也希望读者与我一起加油。

    (By:Eastmount 2019-03-31 深夜12点 https://blog.csdn.net/Eastmount/)

    展开全文
  • 对数拉伸变换公式: g=c∗log(1+f)g=c∗log(1+f)g=c*log(1+f) 其中,c是常数(拉伸幅度),g是输出图像的灰度值,f是输入图像的灰度值 对比度拉伸变换公式: s=11+(mr)Es=11+(mr)Es=\frac{1}{1+(\frac{m}{r})^E}...
  • 灰度变换是图像增强的一种重要手段,用于改善图像显示效果,属于空间域处理方法,它可以使图像动态范围加大,使图像对比度扩展,图像更加清晰,特征更加明显。灰度变换其实质就是按一定的规则修改图像每一个像素的...
  • 本文主要介绍对《数字图像处理》第三章书中示例图片实现 反转变换、对数变换以及伽马变换的代码 若要获取更多数字图像处理,python,深度学习,机器学习,计算机视觉等高清PDF以及 更多有意思的 分享,可搜一搜 微信...
  • 指数变换的基本表达式为:y=bc(x-a)-...虽然幂次变换也有这个功能,但是图像经过指数变换后对比度更高,高灰度级也被扩展到了更宽的范围。  代码如下: [cpp] view plaincopyprint? /*****************
  • 空间域处理是直接对像素进行操作的方法,这是相对于频率域处理而言的。空间域处理主要分为两大类:灰度变换和空间滤波。灰度变换在图像单个像素上操作,主要以对比度和阈值处理为目的。空间滤波涉及改善性能的操作,...
  • 本系列python版本:python3.5.4 本系列opencv-python版本:opencv-python3.4.2.17 本系列使用的开发环境是jupyter notebook,是一个python的交互式开发环境,测试十分方便,并集成了...上文【数字图像处理系列二...
  • 图像处理与识别学习小结   数字图像处理是对图像进行分析、加工、和处理,使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。目前大多数的图像是以数字形式存储,因而图像处理很多...
  • 数字图像处理数字图像处理 一学习内容总结 第一章 绪论 1 什么是数字图像处理 2 使用数字图像处理领域的实例 3 数字图像处理的基本步骤 4 图像处理系统的组成 第二章 数字图像处理基础 1 视觉感知要素 2 光和电磁...
  •  图像对比度增强的方法可以分成两类:一类是直接对比度增强方法;另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。直方图拉伸是通过对比度拉伸对直方图进行调整,从而“扩大...
  • 傅立叶变换在图像处理中有非常重要的作用。因为不仅傅立叶分析涉及图像处理很多方面,傅立 叶改进算法,比如离散余弦变换,gabor与小波在图像处理中也有重要的分量。傅立叶变换在图像处理的重要作用:  1.图像增强...
  • 文章目录空间域图像增强1. 背景知识2. 基本灰度变换2.1 图像...图像增强是图像处理中最具吸引力的领域之一,增强处理的首要目标是处理图像,对图像进行加工,使其比原始图像更适合特定的应用。空间域是指图像平面本身,
  • 图像处理(以及机器视觉)在学校里是一个很大的研究方向,很多研究生、博士生都在导师的带领下从事着这方面的研究。另外,就工作而言,也确实有很多这方面的岗位和机会虚位以待。而且这种情势也越来越凸显。那么图像...
  • 数字图像处理——Matlab GUI与灰度变换函数简介Matlab具有强大的函数运算功能,利用这一点可以进行像素级的计算,也就是图像处理。这款软件基于Matlab平台,用户可以在软件界面中打开需要修改的图片,选择想要变换的...
1 2 3 4 5 ... 20
收藏数 588
精华内容 235