图像数据处理9

news2024/11/16 5:39:17

二、灰度变换

2.3 非线性灰度变换

以下式子中使用 f 表示输入图像的像素值，g 表示输出图像的像素值

2.3.1伽马校正（Gamma Correction）

γ 是伽马值，通常大于0。调整 γ 的值可以改变图像的亮度。当 γ<1 时，图像会变亮；当 γ>1 时，图像会变暗。在使用伽马矫正时需先将输入灰度值r从[0,255]归一化到[0,1]，变换后再把输出灰度值g从[0,1]线性映射到[0,255]之间。

import cv2  
import numpy as np  
  
def gamma_correction(image, gamma):  
    # 构建一个映射表  
    table = np.array([((i / 255.0) ** gamma) * 255 for i in np.arange(0, 256)]).astype("uint8")  
      
    # 应用映射表进行伽马矫正  
    return cv2.LUT(image, table)  
  
# 读取图像  
image = cv2.imread('.jpg')  
  
# 设置伽马值  
gamma = 2.2  
  
# 应用伽马矫正  
corrected_image = gamma_correction(image, gamma)  
  
# 显示原图和矫正后的图像  
cv2.imshow('Original Image', image)  
cv2.imshow('Gamma Corrected Image', corrected_image)  
  
# 等待按键操作后关闭窗口  
cv2.waitKey(0)  
cv2.destroyAllWindows()

2.3.2对数矫正（Logarithmic Correction）

其中，c 是一个常数，用于调整对数曲线的形状和位置。对数矫正可以扩展图像中较暗区域的细节，同时压缩较高灰度级的范围。

c值对图像的影响

亮度调整：
- 当 c 的值较小时，对数曲线的斜率较小，导致图像的整体亮度相对较低，暗部细节得到增强，但亮部可能显得过于暗淡。
- 当 c 的值较大时，对数曲线的斜率增大，图像的整体亮度提高，亮部细节得到更好的保留，但暗部可能显得不够突出。
对比度调整：
- c 的值还影响着图像的对比度。较小的 c 值会增强图像的对比度，使暗部和亮部之间的差异更加明显。
- 较大的 c 值则会降低对比度，使图像看起来更加柔和。

import cv2
import numpy as np


def logarithmic_correction(image, c=40):
    # 创建一个对数变换的映射表
    table = np.array([c * np.log(1 + i) if i > 0 else 0 for i in np.arange(0, 256)]).astype("uint8")
    # 应用映射表执行对数矫正
    return cv2.LUT(image, table)


# 读取图像
image = cv2.imread('saved_image.jpg')

# 缩小图像（可选）
scale_percent = 50  # 缩小到原图的50%
width = int(image.shape[1] * scale_percent / 100)
height = int(image.shape[0] * scale_percent / 100)
dim = (width, height)
resized_image = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)

# 应用对数矫正
corrected_image = logarithmic_correction(resized_image)

# 水平拼接原图和矫正后的图像
concatenated_image = cv2.hconcat([resized_image, corrected_image])

# 在一个窗口中展示拼接后的图像
cv2.imshow('Original and Logarithmic Corrected Image', concatenated_image)

# 等待按键操作后关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

c=1

c=10

c=40

2.3.3指数矫正（Exponential Correction）

其中,b和 k是常数，k的值通常略大于1。该函数能突出图像的亮区域，减弱图像的暗区域。

import cv2
import numpy as np


def exponential_correction(image, b, k):
    # 将图像数据类型转换为float，以便进行数学运算
    float_image = image.astype(float) / 255.0
    # 应用指数矫正公式
    corrected_image = b * (k ** float_image - 1)
    # 将矫正后的图像值重新缩放到0到255之间，并转换为uint8类型
    corrected_image = np.clip(corrected_image * 255.0, 0, 255).astype(np.uint8)
    return corrected_image


# 读取图像
image = cv2.imread('slpn.jpg', cv2.IMREAD_GRAYSCALE)

# 设置b和k的值
k=1.01
b = 125

# 应用指数矫正
corrected_image = exponential_correction(image, b, k)

# 水平拼接原始图像和矫正后的图像
concatenated_image = cv2.hconcat([image, corrected_image])

# 缩小拼接后的图像
scale_percent = 50  # 缩小到原始尺寸的50%
width = int(concatenated_image.shape[1] * scale_percent / 100)
height = int(concatenated_image.shape[0] * scale_percent / 100)
dim = (width, height)
resized_concatenated_image = cv2.resize(concatenated_image, dim, interpolation=cv2.INTER_AREA)

# 显示拼接并缩小后的图像
cv2.imshow('Original and Corrected Image (Resized)', resized_concatenated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()