opencv-python图像增强六：低光照增强

news2024/9/21 12:38:57

文章目录

一：简介
二、低光照图像增强方案：
三、算法实现步骤
- 3.1 CLAHE直方图均衡化：
- 3.2 伽马变换：
- 3.3 对亮度通道做伽马变换
四：整体代码实现
五，效果：

一：简介

低光照图像增强是一种图像处理技术，旨在改善在低光照条件下拍摄的图像的质量。这种技术可以提高图像的亮度、对比度和细节，使其更易于人类视觉系统或后续图像分析任务使用。

二、低光照图像增强方案：

本方案采用图像增强技术以提升图像亮度。首先，对所获取的低光照图像进行噪声消除处理，有效移除大部分暗部噪声。随后，对去噪后的图像实施自适应直方图均衡化，以增强图像的细节与纹理表现。最后，将图像转换至HSV色彩空间，并对V通道（代表亮度）施加伽马变换，以进一步强化图像的亮度水平。

三、算法实现步骤

3.1 CLAHE直方图均衡化：

CLAHE（Contrast Limited Adaptive Histogram Equalization）是一种自适应直方图均衡化的变种，它通过在传统直方图均衡化的基础上增加对比度限制机制，以避免对比度过高和噪声的放大。CLAHE的主要步骤包括将图像分割成多个小区域，计算每个区域的局部直方图，对直方图进行均衡化处理以增强对比度，并在均衡化过程中通过对比度限制参数来控制每个区域的动态范围，以防止对比度过高。最后，调整每个区域的像素值并合并所有处理过的区域，得到最终增强后的图像。这种方法可以更好地保留图像的局部对比度，特别是在图像中存在大范围亮度变化时，能够在每个区域独立处理对比度，同时通过对比度限制机制减少噪声的放大.
为了放大图像细节以及防止图像失真参数全选为1

代码实现：

def hisEqulColor2(imga):
    ycrcb = cv2.cvtColor(imga, cv2.COLOR_BGR2YCR_CB)
    channels = cv2.split(ycrcb)
    clahe = cv2.createCLAHE(clipLimit=1.0, tileGridSize=(1, 1))
    clahe.apply(channels[0], channels[0])
    cv2.merge(channels, ycrcb)
    cv2.cvtColor(ycrcb, cv2.COLOR_YCR_CB2BGR, imga)
    return imga

3.2 伽马变换：

伽马变换（Gamma Transformation）是一种非线性变换，广泛应用于图像处理和计算机视觉领域。伽马变换通过调整像素值来改善图像的对比度和亮度，使其更符合人类视觉系统的感知特性。
代码实现：

def gamma_trans(img, gamma):
    """
    对图像进行gamma变换处理。
    参数:
    img: 输入图像
    gamma: 伽马值
    返回:
    gamma变换后的图像
    """
    gamma_table = [np.power(x / 255.0, gamma) * 255.0 for x in range(256)]
    gamma_table = np.round(np.array(gamma_table)).astype(np.uint8)
    return cv2.LUT(img, gamma_table)

代码首先创建了一个伽马表（gamma_table），该表包含256个元素，每个元素代表输入图像中一个灰度级的变换后的值。通过列表推导式，代码计算了每个灰度级（从0到255）在伽马变换后的值。具体来说，每个灰度级 x 的伽马变换后的值由公式 np.power(x / 255.0, gamma) * 255.0 计算得出，其中 gamma 是用户提供的伽马值。为了适应OpenCV的LUT函数，代码将伽马表从浮点数类型转换为整数类型，首先使用np.round函数将浮点数转换为最接近的整数，然后通过astype(np.uint8)函数将数组转换为无符号8位整数类型。最后，使用cv2.LUT函数将输入图像的像素值与伽马表中的值进行查找和替换，实现伽马变换。

3.3 对亮度通道做伽马变换

根据Retinex理论，光照条件对物体本身的属性，如颜色、纹理等特征，并无直接影响。因此，在执行伽马变换时，应避免对图像的颜色信息进行处理，以防止颜色失真。为此，通常将图像转换至HSV色彩空间，仅对代表亮度的V通道进行伽马增强，从而实现对图像亮度的调节，同时保持原始的颜色信息不受干扰。
实现方法：

hsv_image = cv2.cvtColor(img_equ, cv2.COLOR_BGR2HSV)

# 获取V通道
v_channel = hsv_image[:, :, 2]
# 应用gamma变换
v_channel_gam = gamma_trans(v_channel, 0.3)
hsv_image[:, :, 2] = v_channel_gam
bgr_image = cv2.cvtColor(hsv_image, cv2.COLOR_HSV2BGR)

四：整体代码实现

import numpy as np
import cv2

# 定义引导滤波函数

# 定义gamma变换函数
def gamma_trans(img, gamma):
    """
    对图像进行gamma变换处理。
    参数:
    img: 输入图像
    gamma: 伽马值
    返回:
    gamma变换后的图像
    """
    gamma_table = [np.power(x / 255.0, gamma) * 255.0 for x in range(256)]
    gamma_table = np.round(np.array(gamma_table)).astype(np.uint8)
    return cv2.LUT(img, gamma_table)

# 定义直方图均衡化函数
def hisEqulColor2(imga):
    """
    直方图均衡化处理。
    参数:
    imga: 输入图像
    返回:
    直方图均衡化后的图像
    """
    ycrcb = cv2.cvtColor(imga, cv2.COLOR_BGR2YCR_CB)
    channels = cv2.split(ycrcb)
    clahe = cv2.createCLAHE(clipLimit=1.0, tileGridSize=(1, 1))
    clahe.apply(channels[0], channels[0])
    cv2.merge(channels, ycrcb)
    cv2.cvtColor(ycrcb, cv2.COLOR_YCR_CB2BGR, imga)
    return imga

# 定义路径
path = r"D:\54.png"
# 读取图像
img = cv2.imread(path)

# 应用双边滤波
img_bil = cv2.bilateralFilter(img,5,15,15)
# 应用直方图均衡化
img_equ = hisEqulColor2(img_bil)

hsv_image = cv2.cvtColor(img_equ, cv2.COLOR_BGR2HSV)

# 获取V通道
v_channel = hsv_image[:, :, 2]
# 应用gamma变换
v_channel_gam = gamma_trans(v_channel, 0.4)
hsv_image[:, :, 2] = v_channel_gam
bgr_image = cv2.cvtColor(hsv_image, cv2.COLOR_HSV2BGR)
# 显示结果
cv2.imshow("img_equ", bgr_image)
cv2.waitKey(0)