如何在python中利用opencv對圖像進行增強

這期內容當中小編將會給大家帶來有關如何在python中利用opencv對圖像進行增強，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

灰度直方圖

灰度直方圖通過描述灰度級在圖像矩陣中的像素個數來展示圖像灰度級的信息，通過灰度直方圖的統計我們可以看到每個灰度值的占有率。下面是一個灰度直方圖的實現：

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

#計算灰度直方圖
def calcGrayHist(image):
  rows,clos = image.shape
  #創建一個矩陣用于存儲灰度值
  grahHist = np.zeros([256],np.uint64)
  print('這是初始化矩陣')
  print(grahHist )
  for r in range(rows):
    for c in range(clos):
      #通過圖像矩陣的遍歷來將灰度值信息放入我們定義的矩陣中
      grahHist[image[r][c]] +=1
  print('這是賦值后的矩陣')
  print(grahHist)
  return grahHist
if __name__=="__main__":
  image = cv2.imread("../img/aa.jpg",cv2.IMREAD_GRAYSCALE)
  grahHist = calcGrayHist(image)
  x_range = range(256)
  plt.plot(x_range,grahHist,'-',linewidth= 3,c='k')
  #設置坐標軸的范圍
  y_maxValue = np.max(grahHist)
  plt.axis([0,255,0,y_maxValue])
  #設置標簽
  plt.xlabel('gray Level')
  plt.ylabel("number of pixels")
  #顯示灰度直方圖
  plt.show()

運行結果

線性變換

線性變換的公式為：

圖像的線性變換無疑就是利用矩陣的乘法就行線性變換，比如一個矩陣I ,2I,3I （np.unt8 ndarry類型就是unt8類型）就是一個矩陣的變換.

import cv2
import numpy as np
import sys

if __name__=="__main__":
  img = cv2.imread("../img/ae.jpg",cv2.IMREAD_GRAYSCALE)
  a=2
  #線性變換 定義float類型
  O = float(a)*img
  #數據截取 如果大于255 取 255
  O[0>255] = 255
  #數據類型的轉換
  O = np.round(O)
  O = O.astype(np.uint8)
  cv2.imshow("img",img)
  cv2.imshow('enhance',O)
  cv2.waitKey(0)
  cv2.destroyAllWindows()

運行結果：

灰度級范圍越大就代表對比度越高，反之對比度越低視覺上清晰度就越低。我們通過a=2的線性對比度拉伸將灰度級范圍擴大到[0,255]之間，如上圖我們改變灰度級的范圍后圖像變的清晰。

直方圖正規化

將圖像O中的最小灰度級記為OminOmin,最大灰度級記為OmaxOmax,假如輸出的圖像P的灰度級范圍為[Pmin,PmaxPmin,Pmax],則O 與 P的關系為：

其中P(r,c)就代表P的第r行第c列的灰度值。這個過程就是直方圖的正規化。我們一般令P的范圍是[0,255]，所以直方圖的正規化是在求a,b變換的值的方法，我們可以得到：

下面我們使用OpenCV來實現上面的理論：

import cv2
import numpy as np
import sys
from enhance.GrayHist import mget
if __name__=="__main__":
  img = cv2.imread("../img/o3.jpg",cv2.IMREAD_GRAYSCALE)
  #求出img 的最大最小值
  Maximg = np.max(img)
  Minimg = np.min(img)
  print(Maximg, Minimg, '-----------')
  #輸出最小灰度級和最大灰度級
  Omin,Omax = 0,255
  #求 a, b
  a = float(Omax - Omin)/(Maximg - Minimg)
  b = Omin - a*Minimg
  print(a,b,'-----------')
  #線性變換
  O = a*img + b
  O = O.astype(np.uint8)
  #利用灰度直方圖進行比較 mget為GrayHist中的寫方法
  mget(img)
  mget(O)


  cv2.imshow('img',img)
  cv2.imshow('enhance',O)
  cv2.waitKey(0)
  cv2.destroyAllWindows()

伽瑪變換

將一張圖的灰度值歸至[0,1]后，對于8位圖來說，除以255即可。伽瑪變換就是令O(r,c)=I(r,c)γI(r,c)γ,0≤r<H,0≤≤r<H,0≤c<W.
當γγ等于1時圖像不發生變換，而當γγ大于0且小于1時就可以增強圖像的對比度，相反的當γγ大于1時就可以使圖像對比度降低。 以下是伽瑪變換在OpenCV中的實現：

import cv2
import numpy as np
import sys

# 伽瑪變換 power函數實現冪函數

if __name__ == "__main__":
  img = cv2.imread("../img/ae.jpg", cv2.IMREAD_GRAYSCALE)
  # 歸1
  Cimg = img / 255
  # 伽瑪變換
  gamma = 0.5
  O = np.power(Cimg,gamma)
  #效果
  cv2.imshow('img',img)
  cv2.imshow('O',O)
  cv2.waitKey(0)
  cv2.destroyAllWindows()

運行結果：

直方圖的均衡化

• 計算圖像的灰度直方圖

• 計算灰度直方圖的累加直方圖

• 根據累加的直方圖和直方圖均衡化的原理得到輸入灰度級與輸出灰度級之間的映射關系

• 使用循環的方式得到輸出圖像的每一個像素的灰度級

import cv2
import numpy as np
from enhance.GrayHist import calcGrayHist

#直方圖的均衡化
if __name__ == "__main__":
  image = cv2.imread("../img/ae.jpg", cv2.IMREAD_GRAYSCALE)
  rows,cols = image.shape
  #計算灰度直方圖
  grayHist = calcGrayHist(image)
  #計算累加灰度直方圖
  zeroCumuMoment = np.zeros([256], np.uint32)
  for p in range(256):
    if p == 0:
      zeroCumuMoment[p] = grayHist[0]
    else:
      zeroCumuMoment[p] = zeroCumuMoment[p-1] + grayHist[p]
  #根據累加的灰度直方圖得到輸入與輸出灰度級之間的映射關系
  output = np.zeros([256],np.uint8)
  cofficient = 256.0/(rows*cols)
  for p in range(256):
    q = cofficient * float(zeroCumuMoment[p])-1
    if q >=0:
      output[p] = np.math.floor(q)
    else:
      output[p] = 0
  #得出均衡化圖像
  equalHistimg = np.zeros(image.shape,np.uint8)
  for r in range(rows):
    for c in range(cols):
      equalHistimg[r][c] = output[image[r][c]]
  cv2.imshow('image',image)
  cv2.imshow('histimage',equalHistimg)
  cv2.waitKey(0)
  cv2.destroyAllWindows()

上述就是小編為大家分享的如何在python中利用opencv對圖像進行增強了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。