Python 图像对比度增强的几种方法

---

图像处理工具——灰度直方图

灰度直方图时图像灰度级的函数，用来描述每个灰度级在图像矩阵中的像素个数或者占有率。
例子：矩阵
$$I=\left\{\begin{array}{cccc}10& 15& 55& 145\\ 15& 10& 10& 55\\ 1& 12& 10& 145\\ 90& 180& 0& 125\end{array}\right\}$$
图片来自网络，侵删！

上面图片的灰度直方图

python实现

#!usr/bin/env python
#-*- coding:utf-8 _*-
"""
@author:Sui yue
@describe: 灰度直方图，描述每个灰度级在图像矩阵中的像素个数或者占有率
@time: 2019/09/15
"""

import  sys
import cv2
import numpy as np
import  matplotlib.pyplot as plt

#对于8位图，图像的灰度级范围式0~255之间的整数，通过定义函数来计算直方图
def calcGrayHist(image):
    #灰度图像矩阵的高、宽
    rows, cols = image.shape
    #存储灰度直方图
    grayHist=np.zeros([256],np.uint64)
    for r in range(rows):
        for c in range(cols):
            grayHist[image[r][c]] +=1
    return grayHist
#主函数
if __name__=="__main__":
    #第一个参数式图片地址，你只需放上你的图片就可
    image = cv2.imread('../images/test3.jpg', cv2.IMREAD_GRAYSCALE)
    cv2.imshow("image", image)
    print("Usge:python histogram.py imageFile")
    #计算灰度直方图
    grayHist=calcGrayHist(image)
    #画出灰度直方图
    x_range=range(256)
    plt.plot(x_range,grayHist,'r',linewidth=2,c='black')
    #设置坐标轴的范围
    y_maxValue=np.max(grayHist)
    plt.axis([0,255,0,y_maxValue])
    plt.ylabel('gray level')
    plt.ylabel("number or pixels")
    # 显示灰度直方图
    plt.show()
    cv2.waitKeyEx(0)

结果

---

线性变换

假设输入图像为I，宽W、高为H，输出图像为O,图像的线性变换可以利用以下公式：
$$O(r,c)=a\ast I(r,c)+b,0\le r<H,0\le c<W$$
a的改变影响图像的对比度，b的改变影响图像的亮度

线性变换python实现

#!usr/bin/env python3
#-*- coding:utf-8 -*-
#--------------------------
"""
@author:Sui yue
@describe: 对比增强，线性变换
@time: 2019/09/15 14:21:44
"""
import sys
import numpy as np
import cv2
import  matplotlib.pyplot as plt
#主函数

def calcGrayHist(image):
    #灰度图像矩阵的高、宽
    rows, cols = image.shape
    #存储灰度直方图
    grayHist=np.zeros([256],np.uint64)
    for r in range(rows):
        for c in range(cols):
            grayHist[image[r][c]] +=1
            # 显示灰度直方图
    # 画出灰度直方图
    x_range = range(256)
    plt.plot(x_range, grayHist, 'r', linewidth=2, c='black')
    # 设置坐标轴的范围
    y_maxValue = np.max(grayHist)
    plt.axis([0, 255, 0, y_maxValue])
    plt.ylabel('gray level')
    plt.ylabel("number or pixels")
    # 显示灰度直方图
    plt.show()

if __name__=="__main__":
    # 读图像
    I = cv2.imread('../images/test3.jpg', cv2.IMREAD_GRAYSCALE)
    #线性变换
    a=3
    O=float(a)*I
    #进行数据截断，大于255 的值要截断为255
    O[0>255]=255
    #数据类型转换
    O=np.round(O)
    #uint8类型
    O=O.astype(np.uint8)
    #显示原图和线性变换后的效果
    cv2.imshow("I",I)
    cv2.imshow("O",O)
    calcGrayHist(I)
    calcGrayHist(O)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

线性变换结果

灰度直方图

---

直方图正规化

假设输入图像为I，宽W、高为H，$I（r,c）$代表I的第r行第c列的灰度值，将I中出现的最小灰度级记为$I_{min}$,最大灰度级记为$I_{max}$,$I（r,c）\in [I_{min},I_{max}]$,为使输出图像O的灰度级范围为 $[O_{min},O_{max}]$,$I（r,c）$和$O（r,c）$做以下映射关系：
$$O(r,c)=\frac{O_{min},O_{max}}{I_{min},I_{max}}(I(r,c)-I_{min})+O_{max}$$
其中$0\le r<H,0\le c<W$,$O(r,c)$代表O的第r行和第c列的灰度值。这个过程就是常称的直方图正规化。因为$0\le \frac{I(r,c)-I_{min}}{I_{max}-I_{min}}\le 1$,所以$O(r,c)\in [O_{min},O_{max}]$,一般令$O_{min}=0$,$O_{max}=255$。显然，直方图正规化使一种自动选取a和b的值的线性变换方法，其中
$$a=\frac{O_{max}-O_{min}}{I_{max},I_{min}},b=O_{min}-\frac{O_{max}-O_{min}}{I_{max}-I_{min}}\ast I_{min}$$

直方图正规化python实现

#!usr/bin/env python3
#-*- coding:utf-8 -*-
#--------------------------
"""
@author:Sui yue
@describe: 直方图正规化
@time: 2019/09/18 21:17:22
"""

import cv2
import numpy as np
import matplotlib.pyplot as plt
import sys

def calcGrayHist(image):
    #灰度图像矩阵的高、宽
    rows, cols = image.shape
    #存储灰度直方图
    grayHist=np.zeros([256],np.uint64)
    for r in range(rows):
        for c in range(cols):
            grayHist[image[r][c]] +=1
            # 显示灰度直方图
    # 画出灰度直方图
    x_range = range(256)
    plt.plot(x_range, grayHist, 'r', linewidth=2, c='black')
    # 设置坐标轴的范围
    y_maxValue = np.max(grayHist)
    plt.axis([0, 255, 0, y_maxValue])
    plt.ylabel('gray level')
    plt.ylabel("number or pixels")
    # 显示灰度直方图
    plt.show()
#主函数
if __name__ == '__main__':
    #读入图像
    I = cv2.imread('../images/test3.jpg', cv2.IMREAD_GRAYSCALE)
    #求I的最大值，最小值
    Imax=np.max(I)
    Imin=np.min(I)
    #要输出的最小灰度级和最大灰度级
    Omax,Omin=255,0
    #计算a和b的值 ,测试出*4 能看到人脸
    a=float(Omax-Omin)/(Imax-Imin)
    b=Omin-a*Imin
    #矩阵的线性变换
    O=a*I+b
    #数据类型转换
    O=O.astype(np.uint8)
    #显示原图和直方图正规化的效果
    cv2.imshow("I",I)
    cv2.imshow("O",O)
    calcGrayHist(O)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

直方图正规化结果

---

伽马变换

假设输入图像为I，宽W、高为H，首先将其灰度值归一化到$[0,1]$范围，对于8位图来说，除以255即可。$I(r,c)$代表归一化后的第r行第c列的灰度值，为使输出图像O ，伽马变换就是令$O(r,c)=I(r,c{)}^{\gamma },0\le r<H,0\le c<W$，如下图所示：

当$\gamma =1$时，图像不变。如果图像整体或者感兴趣区域较暗，则令$0\le \gamma <1$可以增加图像对比度；相反图像整体或者感兴趣区域较亮，则令$\gamma >1$可以降低图像对比度。

伽马变换python实现

#!usr/bin/env python3
#-*- coding:utf-8 -*-
#--------------------------
"""
@author:Sui yue
@describe: 对比增强 伽马变换
@time: 2019/09/18 22:22:51
"""
import cv2
import numpy as np
import sys
#主函数
if __name__ == '__main__':
    I = cv2.imread('../images/test3.jpg', cv2.IMREAD_GRAYSCALE)
    #图像归一化
    fI=I/255.0
    #伽马变换
    gamma=0.3
    O=np.power(fI,gamma)
    #显示原图和伽马变换
    cv2.imshow("I",I)
    cv2.imshow("O",O)
    cv2.waitKey()
    cv2.destroyAllWindows()

伽马变换结果