python之数字图像处理方式

基本概念

• 数字图像定义

对于一幅图像，我们可以将其放入坐标系中，这里取图像左上定点为坐标原点，x 轴向右，和笛卡尔坐标系x轴相同；y 轴向下，和笛卡尔坐标系y轴相反。

这样我们可将一幅图像定义为一个二维函数 f(x，y)，图像中的每个像素就可以用 (x，y) 坐标表示，而在任何一对空间坐标 (x，y) 处的幅值 f 称为图像在该点的强度或灰度，当 x，y 和灰度值 f 是有限离散数值时，便称该图像为 数字图像 

注：f的取值为区间[Lmin，Lmax]，也将其称为图像的灰度级，实际情况下常常令该区间为[0，L-1]，其中f=0时为黑色，f=1时在灰度级中为白色，所有中间值是从黑色到白色之间变化的灰度色调，而图像最高和最低灰度级之间的灰度差便为对比度

注：图像亮度、对比度、饱和度和锐化之间并不是彼此独立的，改变其中一个特征可能会同时引起图像其他特征的变化，至于变化的程度取决于图像本身的特性。 

• 亮度

图像亮度通俗理解便是图像的明暗程度，如果灰度值在[0，255]之间，则 f 值越接近0亮度越低，f 值越接近255亮度越高。

• 对比度

指的是图像暗和亮的落差值，即图像最大灰度级和最小灰度级之间的差值

• 饱和度

饱和度指的是图像颜色种类的多少， 上面提到图像的灰度级是[Lmin，Lmax]，则在Lmin、Lmax 的中间值越多，便代表图像的颜色种类多，饱和度也就更高，外观上看起来图像会更鲜艳，调整饱和度可以修正过度曝光或者未充分曝光的图片。使图像看上去更加自然

• 锐化

图像锐化是补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰。图像锐化在实际图像处理中经常用到，因为在做图像平滑，图像滤波处理的时候经过会把丢失图像的边缘信息，通过图像锐化便能够增强突出图像的边缘、轮廓

• 分辨率

就是每英寸图像内有多少个像素点

图像增强

概述：主要分为空间域增强和频率域增强，本文主要介绍空间域增强方法：也就是直接对图片像素进行处理。

整体代码

import math
import cv2
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['FangSong']  # 设置字体以便正确显示汉字
plt.rcParams['axes.unicode_minus'] = False  # 正确显示连字符
MEDTH_ID=8
# 计算图片清晰度
def getImageVar(img):
    img2gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转化成灰度图
    # 对图片用 3x3 拉普拉斯算子做卷积得到边缘  计算出方差，并最后返回。
    # 函数求完导数后会有负值，还有会大于255的值。而原图像是uint8，即8位无符号数，所以建立的图像位数不够，会有截断。因此要使用64位有符号的数据类型，即 cv2.CV_64F。
    # 再用var函数求方差
    imageVar = cv2.Laplacian(img2gray, cv2.CV_64F).var()
    return imageVar
# 转接器
def handle(idx, img):
    if idx == 1: return handle_specific(img, linear) # 线性变化
    if idx == 2: return handle_specific(img, linear_up) # 分段线性变化
    if idx == 3: return handle_specific(img, Logarithmic) # 对数变换
    if idx == 4: return handle_specific(img, power) # 幂指变换
    if idx == 5: return handle_specific(img, cv2.equalizeHist)  # 直方图均衡化
    if idx == 6: return handle_specific(img, auto_equalizeHist)  # 自适应直方图均衡化
    if idx == 7: return handle_specific(img, laplacian)  # laplacian算子图像锐化
    if idx == 8: return handle_specific(img, non_sharpening)  # 非锐化掩蔽
# 处理函数
def handle_specific(img, func):
    img_list = [func(i) for i in cv2.split(img)]
    result = cv2.merge((img_list[0], img_list[1], img_list[2]))
    return result
# 线性变化
def linear(img):
    a, b = 1.5, 0
    for i in range(img.shape[0]):
        for j in range(img.shape[1]):
            if img[i][j] * a + b > 255:
                img[i][j] = 255
            else:
                img[i][j] = img[i][j] * a + b
    return img
# 分段线性变换-线性对比度拉伸,增强感兴趣区域
def linear_up(img):
    # 灰度值的最大最小值
    r_min, r_max = 255, 0
    for i in range(img.shape[0]):
        for j in range(img.shape[1]):
            if img[i, j] > r_max:
                r_max = img[i, j]
            if img[i, j] < r_min:
                r_min = img[i, j]
    r1, s1 = r_min, 0
    r2, s2 = r_max, 255
    k = (s2 - s1) / (r2 - r1)
    for i in range(img.shape[0]):
        for j in range(img.shape[1]):
            if r1 <= img[i, j] <= r2:
                img[i, j] = k * (img[i, j] - r1)
    return img
# 对数变换
def Logarithmic(img):
    for i in range(img.shape[0]):
        for j in range(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)
    return img
# 对数变换
def power(img):
    for i in range(img.shape[0]):
        for j in range(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)
    return img
# 自适应的直方图均衡化-非线性的对比度拉伸,增强感兴趣区域
def auto_equalizeHist(img):
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    img = clahe.apply(img)
    return img
def laplacian(img):
    kernel = np.array([[0, 1, 0], [1, -4, 1], [0, 1, 0]])  # laplacian卷积核的一个模板
    lapkernel_img = cv2.filter2D(img, -1, kernel) # 做卷积
    img = img - lapkernel_img
    return img
def non_sharpening(img):
    blur_img = cv2.blur(img, (5, 5))
    mask_img = img - blur_img
    img = img + mask_img
    return img
img = cv2.imread(filename='img/CB.61.20211203152034_crop_0.jpg', flags=1)
result = handle(MEDTH_ID, img)
print('原图的清晰度：', getImageVar(img))
print('处理之后的清晰度', getImageVar(result))
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10, 8), dpi=100)
axes[0].imshow(img)
axes[0].set_title("原图")
axes[1].imshow(result)
axes[1].set_title("处理之后的图片")
plt.show()

线性变换

• 用处

线性变换主要可以对图像的对比度和亮度进行调整(但是比较暴力)，线性变换公式如下： f ( x , y ) = f ( x , y ) ∗ a + b f(x,y)=f(x,y)*a+b f(x,y)=f(x,y)∗a+b，参数 a 影响图像的对比度，参数 b 影响图像的亮度，具体分为可分为以下几种情况：

• a>1：增强图像的对比度，图像看起来更加清晰
• a<1： 减小了图像的对比度， 图像看起来变暗，
• b>0：增加图像的亮度，图像变亮，
• b<0：减少图像的亮度，图像变暗
• a=-1 and b=255：图像翻转

a=1.5,b=0的结果：

分段线性变换

• 对比度拉伸

将原图的灰度范围限制为自定义范围，增强感兴趣区域。如将原来的 [ l m i n , l m a x ] [l_{min},l_{max}] [lmin​,lmax​]拉到 [ 0 , 255 ] [0,255] [0,255]

• 阈值处理

得到二值图,按照门限将灰度值变为0或者255

• 灰度级分层

为了在数字图像中突出我们感兴趣的灰度级区域 [A，B]，在实际情况下可以有两种处理方式。

突出灰度范围在 [A，B] 的区域，将其他区域灰度级降低到一个更低的级别突出灰度范围在 [A，B] 的区域，其他区域保持原灰度级不变

对比度拉伸结果：

对数变换

• 用处

对数变换将图像的低灰度值部分扩展，将其高灰度值部分压缩，以达到强调图像低灰度部分的目的；同时可以很好的压缩像素值变化较大的图像的动态范围，目的是突出我们需要的细节。

反对数变换则与对数函数不同的是，强调的是图像的高灰度部分。

结果：

幂律变换

• 用处

幂律变换主要用于图像的校正，对漂白的图片或者是过黑的图片进行修正，根据 φ 的大小，主要可分为一下两种情况：

• φ > 1： 处理漂白的图片，进行灰度级压缩
• φ < 1： 处理过黑的图片，对比度增强，使得细节看的更加清楚

直方图

• 用处

对比度较低的图像适合使用直方图均衡化方法来增强图像细节

直方图均衡化结果：

自适应直方图均衡化结果：

图像滤波

平滑图像

通过模糊图像达到图像降噪的目的，但同时存在一个问题就是会使得图像的边缘被淡化。

锐化图像

主要目的是突出灰度的过渡部分，即突出图像的边缘(锐化空间滤波)

图像锐化滤波中图像平滑是一个积分的过程，图像锐化便是通过图像微分增强边缘和其他突变，削弱灰度变换缓慢的区域。

• laplacian算子

其强调的是图像中灰度的变换，忽视图像灰度变换缓慢的区域。

因此我们通过laplacian算子得出的是图像更多的是边缘线，因此，我们可以将原图和拉普拉斯图像叠加在一起，可以复原背景特性并且保持拉普拉斯锐化处理的效果。

• 用处

可以增强局部的图像对比度

结果：

• 非锐化掩蔽

非锐化掩蔽的思路便是应原图像减去平滑的图像，这样便得到强调边缘的图像，然后再和原图像相加，便达到强调图像边缘的效果，具体步骤如下：

• 模糊原图像
• 从原图像减去模糊图像(产生的差值图像称为模板)
• 将模板和原图像相加

结果：

总结

以上为个人经验，希望能给大家一个参考，也希望大家多多支持aitechtogether.com。