【3】python

2023-11-25 19:30| 来源: 网络整理| 查看: 265

第三节：对比度增强算法总结一：绘制直方图

就是把各个像素值所含有的个数统计出来，然后画图表示。可以看到在当前图像中，哪个像素值的个数最多。同时，可以看当前图像总体的像素值大小在哪些范围。。靠近0的话，说明图像偏暗。靠近255，说明图像偏亮。

import cv2 import numpy as np import matplotlib.pyplot as plt import math # # 绘制灰度直方图 def calcGrayHist(image): ''' 统计像素值 :param image: :return: ''' # 灰度图像的高，宽 rows, cols = image.shape # 存储灰度直方图 grayHist = np.zeros([256], np.uint64) for r in range(rows): for c in range(cols): grayHist[image[r][c]] += 1 return grayHist image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE) grayHist = calcGrayHist(image) # 采用matplotlib进行画图 x_range = range(256) plt.plot(x_range, grayHist, 'r', linewidth=2, c='black') plt.show()

输出结果:

总的来说，还是偏暗。像素值几种在40到50之间。

二：通过线性变化增强对比度

Python实现

# 通过线性变化增强对比度 in_image =cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE) a = 2 out_image = float(a) * in_image # 进行数据截断, 大于255的值要截断为255 out_image[out_image > 255] = 255 # 数据类型转化 out_image = np.round(out_image) out_image = out_image.astype(np.uint8) # 显示原图像和线性变化后的结果 cv2.imshow('IN', in_image) cv2.imshow('OUT', out_image) cv2.waitKey(0) cv2.destroyAllWindows()

输出结果：

三：通过直方图正规化增强对比度

Python代码实现：

# 通过直方图正规化增强对比度 in_image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE) # 求输入图片像素最大值和最小值 Imax = np.max(in_image) Imin = np.min(in_image) # 要输出的最小灰度级和最大灰度级 Omin, Omax = 0, 255 # 计算a 和 b的值 a = float(Omax - Omin)/(Imax - Imin) b = Omin - a* Imin # 矩阵的线性变化 out_image = a*in_image + b # 数据类型的转化 out_image = out_image.astype(np.uint8) # 显示原图和直方图正规化的效果 cv2.imshow('IN', in_image) cv2.imshow('OUT', out_image) cv2.waitKey(0) cv2.destroyAllWindows()

输出结果：

四：伽马变化

python实现：

# 伽马变换增强对比度 in_image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE) # 图像归一化 fI = in_image/255.0 # 伽马变化 gamma = 0.5 out_image = np.power(fI, gamma) # 显示原图和伽马变化后的效果 cv2.imshow('IN', in_image) cv2.imshow('OUT', out_image) cv2.waitKey(0) cv2.destroyAllWindows()

结果输出：

五：全局直方图均衡化

Python代码实现：

def calcGrayHist(image): ''' 统计像素值 :param image: :return: ''' # 灰度图像的高，宽 rows, cols = image.shape # 存储灰度直方图 grayHist = np.zeros([256], np.uint64) for r in range(rows): for c in range(cols): grayHist[image[r][c]] += 1 return grayHist # 全局直方图均衡化 def equalHist(image): # 灰度图像矩阵的高，宽 rows, cols = image.shape # 第一步:计算灰度直方图 grayHist = calcGrayHist(image) # 第二步:计算累加灰度直方图 zeroCumuMoment = np.zeros([256], np.uint32) for p in range(256): if p == 0: zeroCumuMoment[0] = grayHist[0] else: zeroCumuMoment[p] = zeroCumuMoment[p-1]+grayHist[p] # 第三步:根据累加灰度直方图得到输入灰度级和输出灰度级之间的映射关系 output_q = 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_q[p] = math.floor(q) else: output_q[p] = 0 # 第四步:得到直方图均衡化后的图像 equalHistImage = np.zeros(image.shape, np.uint8) for r in range(rows): for c in range(cols): equalHistImage[r][c] = output_q[image[r][c]] return equalHistImage image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE) grayHist = equalHist(image) cv2.imshow('origin_image', image) cv2.imshow('equal_image', grayHist) cv2.waitKey(0) cv2.destroyAllWindows()

输出结果：

六：限制对比度的自适应直方图均衡化

Python代码：

# 限制对比度的自适应直方图均衡化 image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE) # 创建ClAHE对象 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) # 限制对比度的自适应阈值均衡化 dst = clahe.apply(image) # 显示 cv2.imshow('src', image) cv2.imshow('dst', dst) cv2.waitKey(0) cv2.destroyAllWindows()

输出结果：

【本文地址】

【3】python

【3】python

今日新闻

推荐新闻