圖像增強的目的是為了改善圖像的視覺效果，為了更便于人或機器的分析和處理，在不考慮圖像降質（前提）的情況下，提高圖像的可觀性?；叶茸儞Q是一種典型的圖像增強方法，我們通常把圖像處理按照處理方法分成空域方法與頻域方法兩類，灰度變換是一種對點處理的空域處理方法。

一、灰度變換

將一個灰度區間映射到另一個灰度區間的變換稱為灰度變換，$g(x,y)=T[f(x,y)]$，灰度區間是指$0?255$的灰度值區間，$0$是黑色，$255$是白色。灰色變換可使圖像動態范圍加大，圖像對比度擴展，圖像清晰，特征明顯?；叶茸儞Q可以分為線性變換和非線性變換。
1、線性變換
原始圖像：$f(x,y)$，灰度范圍：$[a,b]$，變換后的圖像：$g(x,y)$，灰度范圍：$[c,d]$，存在以下變換關系：

$g(x,y)=\frac{d?c}{b?a}[f(x,y)?a]+c$

2、非線性變換
灰度變換的非線性變換方法包括對數變換和指數變換，對數變換公式為$g(x,y)=a+\frac{\ln [f(x,y)+1]}{b\ln c}$，這個變換擴展低灰度區的對比度，壓縮高灰度值。指數變換公式為$g(x,y)=b^{c[f(x,y)?a]}?1$，與對數變換相反， 指數變換對圖像的高灰度區有較大的擴展。

線性灰度變換實例如下，

import cv2 import numpy as np import matplotlib.pyplot as plt import pylabdef grayTransformLine(img,c,d):#線性灰度變換img = img/255.0 #轉換為0-1Min = img.min()Max = img.max()return (d-c)/(Max-Min)*(img-Min)+cdef main():img = cv2.imread('Lena.jpg',0)new_img = grayTransformLine(img,0.5,1)#變換到0.5-1，整體變亮new_img2 = grayTransformLine(img,0,0.5)#變換到0-0.5，整體變灰暗cv2.imshow('bright',new_img) cv2.imshow('dark',new_img2)cv2.waitKey(0)if __name__ == "__main__":main()

輸出結果如下，

?????

3、灰度直方圖
圖像中像素灰度分布的概率密度函數，設圖像尺寸為$M\times N$，共有$K$級灰度，并且具有灰度級$r_k$的像素數為$g(r_k)$，則有：$p(r_k)=\frac{g(r_k)}{M\times N}$，下面我們來計算圖像的灰度直方圖。

import cv2 import numpy as np import matplotlib.pyplot as plt import pylabimg = cv2.imread('Lena.jpg',0) #images：輸入圖像，channels：圖像的通道，mask：掩膜圖像，若計算整幅圖則為none，histSize：灰度級的個數 #ranges：像素值的范圍 hist_cv = cv2.calcHist(images=[img],channels=[0],mask=None,histSize=[256],ranges=[0,255]) plt.plot(hist_cv) pylab.show()

上述兩幅圖的灰度直方圖如下所示，

明顯看出，第一幅圖的灰度分布集中在高值部分，因此整幅圖高亮，第二幅圖的灰度分布集中在低值部分，整幅圖呈灰暗。

4、直方圖均衡化
將原始圖像的直方圖變換為均勻分布的形式，從而增加像素灰度值的動態范圍，達到增強圖像整體對比度的效果。直方圖均衡是一種非線性變換，以犧牲圖像的等級為代價。
實現代碼如下，

import cv2 import matplotlib.pyplot as plt import pylabimg = cv2.imread('Lena.jpg',0) res = cv2.equalizeHist(img) #均衡化 plt.subplot(121),plt.imshow(img,'gray') plt.subplot(122),plt.imshow(res,'gray') pylab.show()

均衡化的結果如下，

我們可以看到，均衡化后的圖像灰度分布更加均勻，圖像對比度明顯增強。
上述的均衡化方法是全局上的均衡，有些時候這種操作并不好，會把某些不該調整的部分給調整。Opencv提供另一種局部調整的均衡化，把整個圖像分成許多小塊，每個小塊內部進行均衡化，這種方法叫做對比度受限的自適應直方圖均衡化，對于圖像直方圖存在多峰的圖像比較適用，實現代碼如下，

import cv2 import matplotlib.pyplot as plt import pylabimg = cv2.imread('Lena.jpg',0) #全局直方圖均衡化 res = cv2.equalizeHist(img) #自適應直方圖均衡化 clahe = cv2.createCLAHE(clipLimit=2,tileGridSize=(10,10))# cl1 = clahe.apply(img) plt.subplot(121),plt.imshow(res,'gray') plt.subplot(122),plt.imshow(cl1,'gray') pylab.show()

兩種均衡化的結果如下，

我們可以看出，相對于全局均衡化的結果，局部均衡化的效果更加自然一些。

二、同態增晰

我們之前講到過傅里葉變換，經過傅里葉變換可以得到一幅圖像的頻域信息，我們可以對圖像的頻域進行操作達到濾波的目的。頻域中的低頻成分反映灰度的恒定分量，減弱低頻成分可以起到縮小圖像灰度范圍的作用；頻域中的高頻成分反映圖像的邊界特性，增強高頻成分可以提升圖像的對比度（暗區細節增強并保留亮區細節）。
同態增晰是一種在頻域中進行濾波操作的方法，目的是消除圖像上照明不均的問題，增加暗區的圖像細節，同時又不損失亮區的圖像細節，它在頻域中同時將圖像亮度范圍進行壓縮和圖像對比度進行增強。
同態濾波函數選用高通濾波器，消弱低頻成分，加強高頻成分。

同態增晰的過程如下，

未完待續

總結

以上是生活随笔為你收集整理的图像处理与图像识别笔记（三）图像增强1的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。