python中的图像增强技术

磐创AI

    关键词：－ 对数变换、幂律变换、图像增强、对比度拉伸
    数字图像处理 （DIP） 对不同类别的图像执行各种操作，例如图像增强、图像分析、图像压缩、图像变换等。
    图像增强用于对图像进行操作，以提取用户识别的所需和重要的关键特征，例如：调整图像的对比度值。
    
    DIP的基本步骤
    因此，在本博客中，我们将讨论图像锐化／增强技术。
    图像锐化和恢复有助于通过关注已识别的特征、调整明暗区域之间的对比度、减少噪点、升级相机焦距、减少运动模糊等来创建更好的图像。
    图像锐化明确用于改善图像描述，例如边界、角落、对比度、边缘、强度等。
    
    以下是一些图像预处理技术，用于通过观察其邻域像素值来修改当前像素的强度值。
    对比拉伸
    对比拉伸称为归一化，用于拉伸强度值的范围以提高图像的对比度。
    Python／OpenCV 可以通过使用 min＿max 归一化的 cv2．normalize（） 方法进行对比度拉伸。
    import cv2
    import numpy as np
    ＃ read image
    img ＝ cv2．imread（＂messi．jpg＂）
    ＃ normalize float versions
    norm＿img1 ＝ cv2．normalize（img， None， alpha＝0， beta＝1， norm＿type＝cv2．NORM＿MINMAX， dtype＝cv2．CV＿32F）
    ＃ scale to uint8
    norm＿img1 ＝ （255＊norm＿img1）．astype（np．uint8）
    cv2．imshow（＇original＇，img）
    cv2．imshow（＇normalized1＇，norm＿img1）
    cv2．waitKey（0）
    cv2．destroyAllWindows（）
    
    图像阈值
    图像阈值用于将对象分割成两类，即前景和背景。全局图像阈值由 Otsu 方法完成。
    阈值类型
    1. cv2．THRESH＿BINARY
    2. cv2．THRESH＿BINARY＿INVY
    3. cv2．THRESH＿TRUNCY
    4. cv2．THRESH＿TOZEROY
    5. cv2．THRESH＿TOZERO＿INVYimg
    
    全局阈值
    对数变换
    对数变换用于将图像的每个像素值替换为其对数值，以增强较低强度值的对比度。它有助于缩小较亮的像素值范围并扩大暗像素。当需要减少图像的偏度分布以获得更好的解释时，可以应用此转换。
    import cv2
    import numpy as np
    import matplotlib．pyplot as plt
    ＃ Read an image
    image ＝ cv2．imread（＇baby．jpg＇）
    ＃ Apply log transformation method
    c ＝ 255 ／ np．log（1 ＋ np．max（image））
    log＿image ＝ c ＊ （np．log（image ＋ 1））
    ＃ Specify the data type so that
    ＃ float value will be converted to int
    log＿image ＝ np．array（log＿image， dtype ＝ np．uint8）
    ＃ Display both images
    plt．imshow（image）
    plt．show（）
    plt．imshow（log＿image）
    plt．show（）
    
    对数变换
    幂律变换（伽马变换）
    幂律变换用于从较亮图像到较暗图像突出显示对象，可以通过以下表达式使用：s ＝ c × r＾ γ ，其中 s 和 r 分别是输出和输入图像的像素值，c 是常数值，γ称为伽马值。为了减少不同强度值的计算机显示器显示问题，在此转换中使用了不同的伽马值
    import numpy as np
    import cv2
    ＃ Load the image
    img ＝ cv2．imread（＇baby．jpg＇）
    ＃ Apply Gamma＝0．4 on the normalised image and then multiply by scaling constant （For 8 bit， c＝255）
    gamma＿point＿four ＝ np．array（255＊（img／255）＊＊0．4，dtype＝＇uint8＇）
    ＃ Similarly， Apply Gamma＝0．8
    gamma＿point＿eight ＝ np．array（255＊（img／255）＊＊0．8，dtype＝＇uint8＇）
    ＃ Display the images in subplots
    img3 ＝ cv2．hconcat（［gamma＿point＿four，gamma＿point＿eight］）
    cv2．imshow（＇a2＇，img3）
    cv2．waitKey（0）
    
    希望你喜欢阅读这篇文章，希望它能帮助你了解不同类型的图像增强技术。
    
相关文章！