關(guān)鍵詞：－ 對數(shù)變換、冪律變換、圖像增強(qiáng)、對比度拉伸

數(shù)字圖像處理 （DIP） 對不同類別的圖像執(zhí)行各種操作，例如圖像增強(qiáng)、圖像分析、圖像壓縮、圖像變換等。

圖像增強(qiáng)用于對圖像進(jìn)行操作，以提取用戶識別的所需和重要的關(guān)鍵特征，例如：調(diào)整圖像的對比度值。

DIP的基本步驟

因此，在本博客中，我們將討論圖像銳化／增強(qiáng)技術(shù)。

圖像銳化和恢復(fù)有助于通過關(guān)注已識別的特征、調(diào)整明暗區(qū)域之間的對比度、減少噪點(diǎn)、升級相機(jī)焦距、減少運(yùn)動(dòng)模糊等來創(chuàng)建更好的圖像。

圖像銳化明確用于改善圖像描述，例如邊界、角落、對比度、邊緣、強(qiáng)度等。

以下是一些圖像預(yù)處理技術(shù)，用于通過觀察其鄰域像素值來修改當(dāng)前像素的強(qiáng)度值。

對比拉伸

對比拉伸稱為歸一化，用于拉伸強(qiáng)度值的范圍以提高圖像的對比度。

Python／OpenCV 可以通過使用 min＿max 歸一化的 cv2．normalize（） 方法進(jìn)行對比度拉伸。

import cv2

import numpy as np

＃ read image

img ＝ cv2．imread（＂messi．jpg＂）

＃ normalize float versions

norm＿img1 ＝ cv2．normalize（img， None， alpha＝0， beta＝1， norm＿type＝cv2．NORM＿M(jìn)INMAX， dtype＝cv2．CV＿32F）

＃ scale to uint8

norm＿img1 ＝ （255＊norm＿img1）．a(chǎn)stype（np．uint8）

cv2．imshow（＇original＇，img）

cv2．imshow（＇normalized1＇，norm＿img1）

cv2．waitKey（0）

cv2．destroyAllWindows（）

圖像閾值

圖像閾值用于將對象分割成兩類，即前景和背景。全局圖像閾值由 Otsu 方法完成。

閾值類型

1. cv2．THRESH＿BINARY

2. cv2．THRESH＿BINARY＿INVY

3. cv2．THRESH＿TRUNCY

4. cv2．THRESH＿TOZEROY

5. cv2．THRESH＿TOZERO＿INVYimg

全局閾值

對數(shù)變換

對數(shù)變換用于將圖像的每個(gè)像素值替換為其對數(shù)值，以增強(qiáng)較低強(qiáng)度值的對比度。它有助于縮小較亮的像素值范圍并擴(kuò)大暗像素。當(dāng)需要減少圖像的偏度分布以獲得更好的解釋時(shí)，可以應(yīng)用此轉(zhuǎn)換。

import cv2

import numpy as np

import matplotlib．pyplot as plt

＃ Read an image

image ＝ cv2．imread（＇baby．jpg＇）

＃ Apply log transformation method

c ＝ 255 ／ np．log（1 ＋ np．max（image））

log＿image ＝ c ＊ （np．log（image ＋ 1））

＃ Specify the data type so that

＃ float value will be converted to int

log＿image ＝ np．a(chǎn)rray（log＿image， dtype ＝ np．uint8）

＃ Display both images

plt．imshow（image）

plt．show（）

plt．imshow（log＿image）

plt．show（）

對數(shù)變換

冪律變換（伽馬變換）

冪律變換用于從較亮圖像到較暗圖像突出顯示對象，可以通過以下表達(dá)式使用：s ＝ c × r＾ γ ，其中 s 和 r 分別是輸出和輸入圖像的像素值，c 是常數(shù)值，γ稱為伽馬值。為了減少不同強(qiáng)度值的計(jì)算機(jī)顯示器顯示問題，在此轉(zhuǎn)換中使用了不同的伽馬值

import numpy as np

import cv2

＃ Load the image

img ＝ cv2．imread（＇baby．jpg＇）

＃ Apply Gamma＝0．4 on the normalised image and then multiply by scaling constant （For 8 bit， c＝255）

gamma＿point＿four ＝ np．a(chǎn)rray（255＊（img／255）＊＊0．4，dtype＝＇uint8＇）

＃ Similarly， Apply Gamma＝0．8

gamma＿point＿eight ＝ np．a(chǎn)rray（255＊（img／255）＊＊0．8，dtype＝＇uint8＇）

＃ Display the images in subplots

img3 ＝ cv2．hconcat（［gamma＿point＿four，gamma＿point＿eight］）

cv2．imshow（＇a2＇，img3）

cv2．waitKey（0）

希望你喜歡閱讀這篇文章，希望它能幫助你了解不同類型的圖像增強(qiáng)技術(shù)。

       原文標(biāo)題 : python中的圖像增強(qiáng)技術(shù)