python之?dāng)?shù)字圖像處理方式

第python之?dāng)?shù)字圖像處理方式目錄基本概念圖像增強(qiáng)整體代碼線性變換分段線性變換對數(shù)變換冪律變換直方圖圖像濾波平滑圖像銳化圖像總結(jié)

基本概念

數(shù)字圖像定義

對于一幅圖像，我們可以將其放入坐標(biāo)系中，這里取圖像左上定點為坐標(biāo)原點，x軸向右，和笛卡爾坐標(biāo)系x軸相同；y軸向下，和笛卡爾坐標(biāo)系y軸相反。

這樣我們可將一幅圖像定義為一個二維函數(shù)f(x，y)，圖像中的每個像素就可以用(x，y)坐標(biāo)表示，而在任何一對空間坐標(biāo)(x，y)處的幅值f稱為圖像在該點的強(qiáng)度或灰度，當(dāng)x，y和灰度值f是有限離散數(shù)值時，便稱該圖像為數(shù)字圖像

注：f的取值為區(qū)間[Lmin，Lmax]，也將其稱為圖像的灰度級，實際情況下常常令該區(qū)間為[0，L-1]，其中f=0時為黑色，f=1時在灰度級中為白色，所有中間值是從黑色到白色之間變化的灰度色調(diào)，而圖像最高和最低灰度級之間的灰度差便為對比度

注：圖像亮度、對比度、飽和度和銳化之間并不是彼此獨立的，改變其中一個特征可能會同時引起圖像其他特征的變化，至于變化的程度取決于圖像本身的特性。

圖像亮度通俗理解便是圖像的明暗程度，如果灰度值在[0，255]之間，則f值越接近0亮度越低，f值越接近255亮度越高。

指的是圖像暗和亮的落差值，即圖像最大灰度級和最小灰度級之間的差值

飽和度指的是圖像顏色種類的多少，上面提到圖像的灰度級是[Lmin，Lmax]，則在Lmin、Lmax的中間值越多，便代表圖像的顏色種類多，飽和度也就更高，外觀上看起來圖像會更鮮艷，調(diào)整飽和度可以修正過度曝光或者未充分曝光的圖片。使圖像看上去更加自然

圖像銳化是補(bǔ)償圖像的輪廓，增強(qiáng)圖像的邊緣及灰度跳變的部分，使圖像變得清晰。圖像銳化在實際圖像處理中經(jīng)常用到，因為在做圖像平滑，圖像濾波處理的時候經(jīng)過會把丟失圖像的邊緣信息，通過圖像銳化便能夠增強(qiáng)突出圖像的邊緣、輪廓

就是每英寸圖像內(nèi)有多少個像素點

圖像增強(qiáng)

概述：主要分為空間域增強(qiáng)和頻率域增強(qiáng)，本文主要介紹空間域增強(qiáng)方法：也就是直接對圖片像素進(jìn)行處理。

整體代碼

importmath

importcv2

importnumpyasnp

importmatplotlib.pyplotasplt

plt.rcParams['font.sans-serif']=['FangSong']#設(shè)置字體以便正確顯示漢字

plt.rcParams['axes.unicode_minus']=False#正確顯示連字符

MEDTH_ID=8

#計算圖片清晰度

defgetImageVar(img):

img2gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#轉(zhuǎn)化成灰度圖

#對圖片用3x3拉普拉斯算子做卷積得到邊緣計算出方差，并最后返回。

#函數(shù)求完導(dǎo)數(shù)后會有負(fù)值，還有會大于255的值。而原圖像是uint8，即8位無符號數(shù)，所以建立的圖像位數(shù)不夠，會有截斷。因此要使用64位有符號的數(shù)據(jù)類型，即cv2.CV_64F。

#再用var函數(shù)求方差

imageVar=cv2.Laplacian(img2gray,cv2.CV_64F).var()

returnimageVar

#轉(zhuǎn)接器

defhandle(idx,img):

ifidx==1:returnhandle_specific(img,linear)#線性變化

ifidx==2:returnhandle_specific(img,linear_up)#分段線性變化

ifidx==3:returnhandle_specific(img,Logarithmic)#對數(shù)變換

ifidx==4:returnhandle_specific(img,power)#冪指變換

ifidx==5:returnhandle_specific(img,cv2.equalizeHist)#直方圖均衡化

ifidx==6:returnhandle_specific(img,auto_equalizeHist)#自適應(yīng)直方圖均衡化

ifidx==7:returnhandle_specific(img,laplacian)#laplacian算子圖像銳化

ifidx==8:returnhandle_specific(img,non_sharpening)#非銳化掩蔽

#處理函數(shù)

defhandle_specific(img,func):

img_list=[func(i)foriincv2.split(img)]

result=cv2.merge((img_list[0],img_list[1],img_list[2]))

returnresult

#線性變化

deflinear(img):

a,b=1.5,0

foriinrange(img.shape[0]):

forjinrange(img.shape[1]):

ifimg[i][j]*a+b255:

img[i][j]=255

else:

img[i][j]=img[i][j]*a+b

returnimg

#分段線性變換-線性對比度拉伸,增強(qiáng)感興趣區(qū)域

deflinear_up(img):

#灰度值的最大最小值

r_min,r_max=255,0

foriinrange(img.shape[0]):

forjinrange(img.shape[1]):

ifimg[i,j]r_max:

r_max=img[i,j]

ifimg[i,j]r_min:

r_min=img[i,j]

r1,s1=r_min,0

r2,s2=r_max,255

k=(s2-s1)/(r2-r1)

foriinrange(img.shape[0]):

forjinrange(img.shape[1]):

ifr1=img[i,j]=r2:

img[i,j]=k*(img[i,j]-r1)

returnimg

#對數(shù)變換

defLogarithmic(img):

foriinrange(img.shape[0]):

forjinrange(img.shape[1]):

img[i][j]=math.log(1+img[i][j])

cv2.normalize(img,img,0,255,cv2.NORM_MINMAX)

img=cv2.convertScaleAbs(img)

returnimg

#對數(shù)變換

defpower(img):

foriinrange(img.shape[0]):

forjinrange(img.shape[1]):

img[i][j]=math.pow(img[i][j],1.2)

cv2.normalize(img,img,0,255,cv2.NORM_MINMAX)

img=cv2.convertScaleAbs(img)

returnimg

#自適應(yīng)的直方圖均衡化-非線性的對比度拉伸,增強(qiáng)感興趣區(qū)域

defauto_equalizeHist(img):

clahe=cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))

img=clahe.apply(img)

returnimg

deflaplacian(img):

kernel=np.array([[0,1,0],[1,-4,1],[0,1,0]])#laplacian卷積核的一個模板

lapkernel_img=cv2.filter2D(img,-1,kernel)#做卷積

img=img-lapkernel_img

returnimg

defnon_sharpening(img):

blur_img=cv2.blur(img,(5,5))

mask_img=img-blur_img

img=img+mask_img

returnimg

img=cv2.imread(filename='img/CB.61.20251203152034_crop_0.jpg',flags=1)

result=handle(MEDTH_ID,img)

print('原圖的清晰度：',getImageVar(img))

print('處理之后的清晰度',getImageVar(result))

fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(10,8),dpi=100)

axes[0].imshow(img)

axes[0].set_title("原圖")

axes[1].imshow(result)

axes[1].set_title("處理之后的圖片")

plt.show()

線性變換

線性變換主要可以對圖像的對比度和亮度進(jìn)行調(diào)整(但是比較暴力)，線性變換公式如下：f(x,y)=f(x,y)a+bf(x,y)=f(x,y)*a+bf(x,y)=f(x,y)a+b，參數(shù)a影響圖像的對比度，參數(shù)b影響圖像的亮度，具體分為可分為以下幾種情況：

a1：增強(qiáng)圖像的對比度，圖像看起來更加清晰a1：減小了圖像的對比度，圖像看起來變暗，b0：增加圖像的亮度，圖像變亮，b0：減少圖像的亮度，圖像變暗a=-1andb=255：圖像翻轉(zhuǎn)

a=1.5,b=0的結(jié)果：

分段線性變換

對比度拉伸

將原圖的灰度范圍限制為自定義范圍，增強(qiáng)感興趣區(qū)域。如將原來的[lmin,lmax][l_{min},l_{max}][lmin?,lmax?]拉到[0,255][0,255][0,255]

得到二值圖,按照門限將灰度值變?yōu)?或者255

灰度級分層

為了在數(shù)字圖像中突出我們感興趣的灰度級區(qū)域[A，B]，在實際情況下可以有兩種處理方式。

突出灰度范圍在[A，B]的區(qū)域，將其他區(qū)域灰度級降低到一個更低的級別突出灰度范圍在[A，B]的區(qū)域，其他區(qū)域保持原灰度級不變

對比度拉伸結(jié)果：

對數(shù)變換

對數(shù)變換將圖像的低灰度值部分?jǐn)U展，將其高灰度值部分壓縮，以達(dá)到強(qiáng)調(diào)圖像低灰度部分的目的；同時可以很好的壓縮像素值變化較大的圖像的動態(tài)范圍，目的是突出我們需要的細(xì)節(jié)。

反對數(shù)變換則與對數(shù)函數(shù)不同的是，強(qiáng)調(diào)的是圖像的高灰度部分。

結(jié)果：

冪律變換

冪律變換主要用于圖像的校正，對漂白的圖片或者是過黑的圖片進(jìn)行修正，根據(jù)的大小，主要可分為一下兩種情況：

1：處理漂白的圖片，進(jìn)行灰度級壓縮1：處理過黑的圖片，對比度增強(qiáng)，使得細(xì)節(jié)看的更加清楚

直方圖

對比度較低的圖像適合使用直方圖均衡化方法來增強(qiáng)圖像細(xì)節(jié)

直方圖均衡化結(jié)果：

自適應(yīng)直方圖均衡化結(jié)果：

圖像濾波

平滑圖像

通過模糊圖像達(dá)到圖像降噪的目的，但同時存在一個問題就是會使得圖像的邊緣被淡化。

銳化圖像

主要目的是突出灰度的過渡部分，即突出圖像的邊緣(銳化空間濾波)

圖像銳化濾波中圖像平滑是一個積分的過程，圖像銳化便是通過圖像微分增強(qiáng)邊緣和其他突變，削弱灰度變換緩慢的區(qū)域。

laplacian算子

其強(qiáng)調(diào)的是圖像中灰度的變換，忽視圖像灰度變換緩慢的區(qū)域。