图片处理-opencv-9.图像的灰度变换

作者: lk311 | 来源:发表于2020-10-22 09:00 被阅读0次

图片处理-opencv-9.图像的灰度变换
【图像处理】灰度变换
图像灰度变换
exp1-空间域图像增强
图像处理算法的理论与实践
图像增强整理
数字图像处理（灰度变换）
灰度变换
css3 滤镜
[iOS] 图像处理：一种高效裁剪图片圆角的算法

图像灰度线性变换

图像的灰度线性变换是通过建立灰度映射来调整原始图像的灰度，从而改善图像的质量，凸显图像的细节，提高图像的对比度。灰度线性变换的计算公式如下所示：

$D_{B}=f(D_{A})=αD_{A}+b$

该公式中 $D_{B}$ 表示灰度线性变换后的灰度值， $D_{A}$ 表示变换前输入图像的灰度值， $α$ 和 $b$ 为线性变换方程 $f(D_{A})$ 的参数，分别表示斜率和截距。

当α=1，b=0时，保持原始图像
当α=1，b!=0时，图像所有的灰度值上移或下移
当α=-1，b=255时，原始图像的灰度值反转
当α>1时，输出图像的对比度增强
当0<α<1时，输出图像的对比度减小
当α<0时，原始图像暗区域变亮，亮区域变暗，图像求补

1.图像灰度上移变换

该算法将实现图像灰度值的上移，从而提升图像的亮度，其实现代码如下所示。由于图像的灰度值位于0至255区间之内，所以需要对灰度值进行溢出判断。

$D_{B}=D_{A}+50$

图像的所有灰度值上移50，图像变得更白了。注意，纯黑色对应的灰度值为0，纯白色对应的灰度值为255。

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

#读取原始图像
img = cv2.imread('data/test3.jpg')

#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)

#图像灰度上移变换 DB=DA+50
for i in range(height):
    for j in range(width):
        if (int(grayImage[i,j]+50) > 255):
            gray = 255
        else:
            gray = int(grayImage[i,j]+50)
        result[i,j] = np.uint8(gray)

#显示图像
titles = ['Gray Image', 'result']
images = [grayImage, result]
plt.figure(figsize=(10, 4))
for i in range(2):
    plt.subplot(1, 2, i+1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

2.图像对比度增强变换

该算法将增强图像的对比度，Python实现代码如下所示：

$D_{B}=D_{A}*1.5$

图像的所有灰度值增强1.5倍。

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

#读取原始图像
img = cv2.imread('data/test3.jpg')

#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)

#图像对比度增强变换 DB=DA*1.5
for i in range(height):
    for j in range(width):
        
        if (int(grayImage[i,j]*1.5) > 255):
            gray = 255
        else:
            gray = int(grayImage[i,j]*1.5)
            
        result[i,j] = np.uint8(gray)

#显示图像
titles = ['Gray Image', 'result']
images = [grayImage, result]
plt.figure(figsize=(10, 4))
for i in range(2):
    plt.subplot(1, 2, i+1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

3.图像对比度减弱变换

该算法将减弱图像的对比度，Python实现代码如下所示：

$D_{B}=D_{A}*0.8$

图像的所有灰度值减弱，图像变得更暗。

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

#读取原始图像
img = cv2.imread('data/test3.jpg')

#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)

#图像对比度减弱变换 DB=DA*0.8
for i in range(height):
    for j in range(width):
        gray = int(grayImage[i,j]*0.8)
        result[i,j] = np.uint8(gray)

#显示图像
titles = ['Gray Image', 'result']
images = [grayImage, result]
plt.figure(figsize=(10, 4))
for i in range(2):
    plt.subplot(1, 2, i+1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

4.图像灰度反色变换

反色变换又称为线性灰度求补变换，它是对原图像的像素值进行反转，即黑色变为白色，白色变为黑色的过程。其Python实现代码如下所示：

$D_{B}=255-D_{A}$

图像处理前后的灰度值是互补的

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

#读取原始图像
img = cv2.imread('data/test3.jpg')

#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)

#图像灰度反色变换 DB=255-DA
for i in range(height):
    for j in range(width):
        gray = 255 - grayImage[i,j]
        result[i,j] = np.uint8(gray)

#显示图像
titles = ['Gray Image', 'result']
images = [grayImage, result]
plt.figure(figsize=(10, 4))
for i in range(2):
    plt.subplot(1, 2, i+1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

图像的灰度非线性变换

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

1.图像灰度非线性变换

$D_{B}=D_{A} \cdot D_{A} / 255$

原始图像的灰度值按照 $D_{B}=D_{A} \cdot D_{A} / 255$ 的公式进行非线性变换，其代码如下：

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

#读取原始图像
img = cv2.imread('data/test3.jpg')

#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
titles = ['Gray Image', 'result']
images = [grayImage, result]
plt.figure(figsize=(10, 4))
for i in range(2):
    plt.subplot(1, 2, i+1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

2.图像灰度非线性变换

$D_{B}=c \cdot \log(1+D_{A})$

其中c为尺度比较常数， $D_{A}$ 为原始图像灰度值， $D_{B}$ 为变换后的目标灰度值。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。

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('data/test3.jpg')
src = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#绘制对数变换曲线
log_plot(42)

#图像灰度对数变换
output = log(42, src)

#显示图像
titles = ['Input', 'Output']
images = [src, output]
plt.figure(figsize=(10, 4))
for i in range(2):
    plt.subplot(1, 2, i+1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

3.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：
$D_{B}=c*{D_{A}}^{γ}$

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。

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

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('data/test3.jpg')
src = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#绘制伽玛变换曲线
gamma_plot(0.00000005, 4.0)

#图像灰度伽玛变换
output = gamma(src, 0.00000005, 4.0)

#显示图像
cv2.imshow('Imput', src)
cv2.imshow('Output', output)
cv2.waitKey(0)
cv2.destroyAllWindows()


#显示图像
titles = ['Input', 'Output']
images = [src, output]
plt.figure(figsize=(10, 4))
for i in range(2):
    plt.subplot(1, 2, i+1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

image.png

图片处理-opencv-9.图像的灰度变换
图像灰度线性变换图像的灰度线性变换是通过建立灰度映射来调整原始图像的灰度，从而改善图像的质量，凸显图像的细节，提...
【图像处理】灰度变换
简介空间域处理主要分为灰度变换和空间滤波两类：灰度变换在图像的单个像素上操作，主要以对比度和阈值处理为目的，我...
图像灰度变换
1.灰度变换指对图像的单个像素进行操作，主要以对比度和阈值处理为目的。其变换形式如下。其中，T 是灰度变换函数；...
exp1-空间域图像增强
图像灰度变换计算显示图像直方图、直方图均衡化空间域图像平滑、锐化
图像处理算法的理论与实践
图像处理算法的理论与实践 1. 图像的点运算点运算指的是对图像中的每个像素依次进行同样的灰度变换运算，通常用于改...
图像增强整理
功能与算法对应表参考文档灰度变换——反转，对数变换，伽马变换，灰度拉伸，灰度切割，位图切割《数字图像处理》（...
数字图像处理（灰度变换）
文｜抽象转移以下变换都是基于空间域上进行的，频率域上的处理后面再展开来写。所谓空间域，即把图像看作是M*N大小...
灰度变换
灰度变换是针对与空间域中的图像，直接对每一个像素点进行操作，灰度变换一般是用一个函数来将原图像转化成另一个图像，以...
css3 滤镜
原图： a. 图像高斯模糊 b. 图片进行棕褐色处理 c. 图片灰色处理 d. 图片反色处理 e. 图像饱和...
[iOS] 图像处理：一种高效裁剪图片圆角的算法
[iOS] 图像处理：一种高效裁剪图片圆角的算法 [iOS] 图像处理：一种高效裁剪图片圆角的算法