基于python-tensorflow的机器视觉学习手札 （1.3）图像处理篇-图像类型转换、二值化、灰度增强

首先补一下忘记说了的最基础的东西 二值化 之类的基础操作

0 图像之间转换

0.1各种类型的相互转换

图像类型转换通常是在索引色、灰度图、真彩色（RGB）、二值图像之间。matlab中，有函数分别对应各种类型的相互转换：
dither抖动法把灰度变成二值图，或把真彩色抖动成索引色
gray2ind将灰度图转换为索引图
grayslice通过设定阈值，将灰度图转换为索引图
im2bw通过设定阈值，将各种图转换为二值化图
ind2gray索引转灰度 ind2rgb 索引转真彩
rgb2gray真彩转灰度 rgb2ind 真彩转索引

在具体的操作中，索引色除了一些展示数据的场合，很少以图像的形式显示。而灰度图，真彩色的各个通道，二值图，都有各自特殊的作用，在对象检测、模式识别等领域被广泛的使用。
在python中，也同样可以用opencv来实现由真彩色转换为灰度图，与灰度图二值化，并且二值化有很多方式。
由真彩色变为灰度图我们可以用：

im_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)

0.2 二值化

二值化是大多数图像处理中很重要的一个环节，它可以使图像变得更简单。为了使二值化的效果更好，二值化的方法也在不断进步。

0.2.1 固定阈值二值化

开始是固定阈值的二值化，就是大于n的只设为255，小于n的值设为0，这个n就是全局固定阈值。这种方法会出现在不同的明暗环境下，目标和背景不能够很好的被区分。
在matlab中，可以用graythresh自动获取阈值，再用im2bw来做二值化操作。并且这种操作并不需要图像先转换为灰度图，直接真彩色也可以二值化。
在python中，固定阈值的二值化操作如下：

retval, im_at_fixed= cv2.threshold(im_gray, 50, 255, cv2.THRESH_BINARY) 
#将阈值设置为50，阈值类型为cv2.THRESH_BINARY，则灰度在大于50的像素其值将设置为255，其它像素设置为0
cv2.axis("off") 
cv2.title("Fixed Thresholding")
cv2.imshow(im_at_fixed, cmap = 'gray') 
cv2.show()

#附：固定阈值二值化处理利用cv2.threshold函数，此函数的原型为：
cv2.threshold(src, thresh, maxval, type[, dst]) -> retval, dst
其中:
1、src 为输入图像；
2、thresh 为阈值；
3、maxval 为输出图像的最大值；
4、type 为阈值的类型；
5、dst 为目标图像。

#附cv2.threshold函数的常用参数
1、cv2.THRESH_BINARY（黑白二值） 
2、cv2.THRESH_BINARY_INV（黑白二值反转） 
3、cv2.THRESH_TRUNC （低于阈值置0，其他重新分散在255-0） 
4、cv2.THRESH_TOZERO （高于阈值置255）
5、cv2.THRESH_TOZERO_INV （低于阈值置255，其他重新分散在255-0）

实际试运行：

import cv2 
im = cv2.imread('timg.jpg')
im_gray = cv2.cvtColor(im, cv2.COLOR_RGB2GRAY)
retval, im_at_fixed = cv2.threshold(im_gray, 70, 255, cv2.THRESH_BINARY) 
#将阈值设置为70，阈值类型为cv2.THRESH_BINARY，则灰度在大于50的像素其值将设置为255，其它像素设置为0
cv2.namedWindow("image")
cv2.imshow('image', im_at_fixed)
cv2.waitKey (0) 
cv2.destroyAllWindows()

0.2.2 自适应阈值二值化

前面也说了，这种方法，在图片明暗不均匀的情况下很容易不能识别出感兴趣的部分。因此，出现了自适应阈值二值化的方法：

dst = cv2.adaptiveThreshold(src, maxval, thresh_type, type, Block Size, C)
#src： 输入图，只能输入单通道图像，通常来说为灰度图
#dst： 输出图
#maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
#thresh_type： 阈值的计算方法，包含以下2种类型：cv2.ADAPTIVE_THRESH_MEAN_C； cv2.ADAPTIVE_THRESH_GAUSSIAN_C.
#type：二值化操作的类型，与固定阈值函数相同，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV.
#Block Size： 图片中分块的大小
#C ：阈值计算方法中的常数项,从均值中减去，得到阈值；

实验代码如下：

# -*- coding: utf-8 -*-
"""
Created on Mon Aug  6 16:57:39 2018

@author: Administrator
"""
import cv2 
im = cv2.imread('timg.jpg')
im_gray = cv2.cvtColor(im, cv2.COLOR_RGB2GRAY)
im_at_fixed = cv2.adaptiveThreshold(im_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 11, 2)
cv2.namedWindow("image")
cv2.imshow('image', im_at_fixed)
cv2.waitKey (0) 
cv2.destroyAllWindows()

这种方法已经可以较好的实现二值化了。然而还有一种方法，需要结合直方图来使用，它就是Otsu’s Binarization。这种方法对应双峰图片（背景与目标区别较大，切分的比较开）非常有效。由于需要结合直方图使用，那这种方法放在直方图后面说吧（快了）。

1 图像增强技术

ok进入今天的正题，也就是图像增强技术。图像增强技术多种多样，可以在空域，也可以在频域，是图像处理中较为核心的部分。

1.1 空域上的图像增强

1.1.1 灰度图增强

首先说灰度图的增强，如果一幅灰度图像素值差距过小，那么就会出现对比度低，不清晰的情况，这时就需要增强技术来提高对比度，使图像清晰一些（感官上）。
观测一幅灰度图的像素值分布，那就需要用到直方图。在matlab中，可以运用函数imhist来获取到图像的直方图。 在获得直方图后，就可以判断出像素值大多分布在哪一个范围内，再用imadjust来进行图像的灰度调整，同时也可以对gamma值进行调整。彩色图像也是同样，对rgb图像的各个通道进行调整。
调整亮度除了这种方法，还有一种方法是用brighten来调整，不过这个只能调整figure中的图像，对矩阵没有影响。
在用imadjust进行图像调整时，可以通过函数strechlim来计算图像的最佳输入区间，这样就不需要手动判断像素值分布范围。
此外，还有函数imcomplement，作用是进行灰度的反转变换，黑白互换。主要目的是可以让人注意到暗色背景下的白色或灰色的细节信息。

既然我们得到了直方图，那就可以做直方图均衡化了。直方图均衡化是一种利用灰度变换自动调节图像对比度质量的方法，不仅与图像像素值分布范围有关，同样也和概率有关。在matlab中提供了函数histeq进行直方图均衡化。直方图均衡化之后，可以看到更多的细节信息，经过处理之后直方图的分布更加均匀。
histeq还可以用来做直方图规定化，可以把直方图部分灰度级进行增强，来突出用户感兴趣部分灰度值的细节。
用直方图进行增强有几点不足，一是灰度级有所减少，会使特别小的细节消失；二是当直方图有高峰的时候，处理后容易产生不自然的过分增强，达不到增强图像的效果。
python-opencv中，直方图均衡化可以用函数equalizeHist来实现，具体实验程序如下：

import numpy as np
import cv2 

im= cv2.imread('timg.jpg')
im_gray = cv2.cvtColor(im, cv2.COLOR_RGB2GRAY)
equ = cv2.equalizeHist(im_gray)
res = np.hstack((im_gray, equ)) # 并排叠加图片
cv2.namedWindow("image")
cv2.imshow('image', res)
cv2.waitKey (0) 
cv2.destroyAllWindows()

至于对比度和亮度的变化，目前看到更多的都是自己写映射来实现，用numpy实现会简单一些,如：

import numpy as np
import cv2 
img = cv2.imread('timg.jpg')
im_gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
res = np.uint8(np.clip((1.5 * im_gray + 10), 0, 255))
tmp = np.hstack((im_gray, res)) 
cv2.namedWindow("image")
cv2.imshow('image', tmp)
cv2.waitKey (0) 
cv2.destroyAllWindows()

补充一下大津法OTSU：
大津法就是最大类间方差法，这种方法把图像根据阈值区分成两个图像，分别是背景与目标（又叫前景与背景），使两幅图像方差最大对于直方图有双峰值（背景和目标）的图像特别好用，能很容易的区分背景与目标。不过大津法对噪音和目标大小十分敏感，它仅对类间方差为单峰的图像产生较好的分割效果。

import cv2
img = cv2.imread("timg.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
retval, dst = cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU)
cv2.imshow("dst", dst)
cv2.waitKey(0)

还是使用threshold来实现，不过后面的value设为cv2.THRESH_OTSU，这样会自动计算大津法得到的阈值。
下篇总结一下简单的空域滤波和频域滤波吧！先溜了溜了
请多多指教，谢谢！