OpenCV学习笔记08_对比度增强
1.拉普拉斯锐化
拉普拉斯变换是工程数学中常用的一种积分变换；
拉普拉斯算子是n维欧几里得空间的一个二阶微分算子；
具有各向同性，对数字图像的一阶导数为：
二阶导数为：
所以拉普拉斯算子为：
拉普拉斯算子四邻域模板如下所示：
八邻域：
卷积的图示：
然后通过滑动卷积核，就可以得到整张图片的卷积结果。
OpenCV中拉普拉斯边缘算子的函数为：
CV_EXPORTS_W void Laplacian(
InputArray src,
OutputArray dst,
int ddepth,
int ksize = 1,
double scale = 1,
double delta = 0,
int borderType = BORDER_DEFAULT );
参数解释：
1、InputArray src：输入图像
2、OutputArray dst：输出图像
3、int ddepth：表示输出图像的深度
4、depth 图像元素的位深度，可以是下面的其中之一：
位深度------------------------取值范围
CV_8U - 无符号8位整型…0–255
CV_8S - 有符号8位整型… -128–127
CV_16U - 无符号16位整型 0–65535
CV_16S - 有符号16位整型 -32768–32767
CV_32S - 有符号32位整型 -65535–65535
CV_32F - 单精度浮点数
CV_64F - 双精度浮点数
5、int ksize=1：表示拉普拉斯核的大小，1表示核的大小是三：
6、double scale =1：表示是否对图像进行放大或者缩小
7、double delta=0：表示是否在输出的像素中加上一个量
8、int borderType=BORDER_DEFAULT：表示处理边界的方式，一般默认
拉普拉斯锐化步骤：
方法一：
步骤1，使用拉普拉斯边缘算子检测边缘(如果是UCHAR类型需要保留负值)：
//内核为 0, 1, 0, 1, -4, 1, 0, 1, 0 所以检测的边缘是负值
cv::Laplacian(src, lapl_1, CV_8U,1,-1);
//加负号的原因是保留负数，不然Uchar类型直接省略负数
步骤2，使用原图像加上边缘检测之后的图像：
srcaddlapl_1_add = src + lapl_1;//类型必须一至
//也可以转为浮点型(注意归一化)运算，最后再转成UCHAR型
方法二：使用图像卷积运算函数filter2D()
CV_EXPORTS_W void filter2D(
InputArray src,
OutputArray dst,
int ddepth,
InputArray kernel,
Point anchor = Point(-1,-1),
double delta = 0,
int borderType = BORDER_DEFAULT );
参数解释：
1、InputArray src: 输入图像
2、OutputArray dst: 输出图像，和输入图像具有相同的尺寸和通道数量
3、int ddepth: 目标图像深度，如果没写将生成与原图像深度相同的图像。
支持深度如下(-1为原图像深度)：
src.depth() = CV_8U,--------------------ddepth = -1/CV_16S/CV_32F/CV_64F
src.depth() = CV_16U/CV_16S, -----ddepth = -1/CV_32F/CV_64F
src.depth() = CV_32F, ------------------ddepth = -1/CV_32F/CV_64F
src.depth() = CV_64F, ------------------ddepth = -1/CV_64F
4、InputArray kernel: 卷积核（或者是相关核）,一个单通道浮点型矩阵。如果想在图像不同的通道使用不同的kernel，可以先使用split()函数将图像通道事先分开。
5、Point anchor: 内核的基准点(anchor)，其默认值为(-1,-1)说明位于kernel的中心位置。基准点即kernel中与进行处理的像素点重合的点。
6、double delta: 在储存目标图像前可选的添加到像素的值，默认值为0
7、int borderType: 像素向外逼近的方法，默认值是BORDER_DEFAULT,即对全部边界进行计算。
卷积核kernel：
cv::Mat kernel = (cv::Mat_<float>(3, 3) << 0, -1, 0, -1, 5, -1, 0, -1, 0);
//Mat_类型是用来简化代码的
拉普拉斯边缘检测算子：
拉普拉斯锐化算子：
2.对数变换
公式：
对数变换可以将图像的低灰度值部分扩展，显示出低灰度部分更多的细节，将其高灰度值部分压缩，减少高灰度值部分的细节，从而达到强调图像低灰度部分的目的。
步骤：
//log 对比度增强
cv::Mat src_log(src.size(),CV_64FC3);
for (int i = 0; i< src.rows;i++)
{
for (int j = 0; j< src.cols;j++)
{
src_log.at<cv::Vec3d>(i, j)[0] = log(1 + src.at<cv::Vec3b>(i, j)[0]);
src_log.at<cv::Vec3d>(i, j)[1] = log(1 + src.at<cv::Vec3b>(i, j)[1]);
src_log.at<cv::Vec3d>(i, j)[2] = log(1 + src.at<cv::Vec3b>(i, j)[2]);
}
}
//此处归一化是因为src未归一化，得出的log值大于1，显示时候乘以255值会非常大
normalize(src_log, src_log, 0, 255,cv::NORM_MINMAX,CV_8UC3);
cv::imshow("src_log", src_log);
对数变换结果：
3.直方图均衡化
直方图均衡化公式：
其中f(x)为均衡化之后的函数值，
L为max像素级，
为概率密度函数的分布函数，
为像素级为x的像素个数/总像素个数。
理论依据：
如果一个图像占有全部可能的灰度级，并且均匀分布。那么这个图像具有较高的对比度，并且具有多变的灰度色调。反映到图像上面，就是细节特别丰富、图像看起来质量很高。
步骤：
1、统计直方图每个灰度级出现的次数；
2、累计归一化的直方图, 在累计直方图中，概率相近的原始值，会被处理为相同的值。
3、计算新的像素值。
有两个问题比较难懂，一是为什么要选用累积分布函数，二是为什么使用累积分布函数处理后像素值会均匀分布。
第一个问题。均衡化过程中，必须要保证两个条件：
①像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；
②如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。综合以上两个条件，累积分布函数是个好的选择，因为累积分布函数是单调增函数（控制大小关系），并且值域是0到1（控制越界问题），所以直方图均衡化中使用的是累积分布函数。
第二个问题。累积分布函数具有一些好的性质，那么如何运用累积分布函数使得直方图均衡化？
比较概率分布函数和累积分布函数，前者的二维图像是参差不齐的，后者是单调递增的。
在OpenCV中使用封装好的函数equalizeHist();
CV_EXPORTS_W void equalizeHist( InputArray src, OutputArray dst );
参数解释：
1、InputArray src 输入图像；
2、OutputArray dst 输出图像；
原始灰度图：
直方图均衡化结果(灰度单通道)：
4.伽马校正
伽马变换的公式为：
s = C r γ s=C r^{\gamma} s=Crγ
s为变换之后图像的像素值，C为灰度缩放系数，通常取1，r 为原始图像的像素值， γ {\gamma } γ为伽马因子，控制的整个算法的缩放程度，伽马变换也被称作幂变换。
注意：其中r的取值范围为[0,1]，所以需要将uchar型的数据转为float型，且需要归一化。
cv::Mat::convertTo(dst, CV_32FC3, 1 / 255.0);
//其中dst为目标图， CV_32FC3为要转化的类型
在整数表示的颜色空间中，数值范围是0-255，但在浮点数表示的颜色空间中，数值范围是0-1.0，所以要把0-255归一化。
CV_8UC3的灰度或BGR图像的颜色分量都在0~255之间。直接imshow可以显示图像。
CV_32FC3取值范围为0~1.0，imshow的时候会把图像x255后再显示。
imwrite不能保存浮点数类型的图片。
#include 如图所示：
代码附录：
#include