学习OpenCV-Python——图像增强

图像增强

图像增强可以分为两种：

• 领域处理技术。对像素点及其周围的点进行处理，即使用卷积核。
• 点处理技术。只对单个像素进行处理。

归一化

cv2.normalize(src, dst, alpha, beta, norm_type, dtype, mask) → dst

src： 原图像对象

dst： 经过转化后的图像对象

alpha： 归一化后灰度像素最小值，一般为0

beta： 归一化后灰度像素最大值，一般为255

norm_type： 归一化的类型，可以取以下值

(1) cv2.NORM_MINMAX： 数组的数值缩放到一个指定的范围，线性归一化，一般较常用
(2) cv2.NORM_INF:归一化数组的C-范数(绝对值的最大值)
(3) cv2.NORM_L1 : 归一化数组的L1-范数(绝对值的和)
(4) cv2.NORM_L2: 归一化数组的(欧几里德)L2-范数

类型转换

dst = cv2.convertScaleAbs(src)

将图像数据类型转化为uint8

点处理技术

线性变换

图像增强线性变换主要对图像的对比度和亮度进行调整，线性变换公式如下：
$$y=a\ast x+b$$
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， 图像看起来变模糊
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

分段线性变换

公式
$$\{\begin{array}{ll}y=a_1\ast x+b& x<x_1\\ y=a_2\ast x+b& x_1<x<x_2\\ y=a_1\ast x+b& x_2<x\end{array}$$
即对处于某个感兴趣的区域的x，将其对比度系数a增大或减小，从而增大或减小这个区域的对比度。

对数变换

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。

公式
$$y=c\ast log(1+x)$$

幂律变换/gamma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：
$$y=c\ast x^{\gamma }$$
根据 γ的大小，主要可分为以下两种情况：

γ > 1： 处理漂白的图片，进行灰度级压缩

γ < 1： 处理过黑的图片，对比度增强，使得细节看的更加清楚

图像直方图均衡化

图像直方图：反应图像强度分布的总体概念，宽泛的来说直方图给出了图像对比度、亮度和强度分布信息。

观察不同图像的直方图：

从上图中我们注意到： 在暗图像中，直方图的分布都集中在灰度级的低(暗)端； 亮图像直方图的分布集中在灰度级的高端；低对比度图像具有较窄的直方图，且都集中在灰度级的中部；而高对比度的图像直方图的分量覆盖了很宽的灰度范围，且像素分布也相对均匀，此时图片的效果也相对很不错。于是我们可以得出结论：若一幅图像的像素倾向于占据整个可能的灰度级并且分布均匀，则该图像有较高的对比度并且图像展示效果会相对好，于是便引出图像直方图均衡化，对图像会有很强的增强效果。

计算新的像素映射过程：

图像滤波

图像滤波包括空间域滤波和频率域滤波。

而空间域滤波包括：

1.平滑滤波

2.锐化滤波

平滑滤波

平滑滤波包括均值滤波，加权均值滤波，中值滤波，最值滤波，高斯滤波等。

#均值滤波
blur_img = cv2.blur(img, 5)
#中值滤波
blur_img = cv2.medianBlur(img, 5)
#高斯滤波
blur_img = cv2.gaussianBlur(img,5)

锐化滤波

锐化滤波比较常用的是拉普拉斯滤波。

点击查看原理