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 mathimport cv2
import numpy as np
import matplotlib.pyplot as pltplt.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, 0for i in range(img.shape[0]):for j in range(img.shape[1]):if img[i][j] * a + b > 255:img[i][j] = 255else:img[i][j] = img[i][j] * a + breturn 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, 0for 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, 0r2, s2 = r_max, 255k = (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 imgdef 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_imgreturn imgdef non_sharpening(img):blur_img = cv2.blur(img, (5, 5))mask_img = img - blur_imgimg = img + mask_imgreturn imgimg = 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+bf(x,y)=f(x,y)*a+bf(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[lmin,lmax][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
链接

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。
参见链接中的图像平滑部分

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：

【python】数字图像处理相关推荐

python绘制灰度图片直方图-python数字图像处理实现直方图与均衡化
在图像处理中,直方图是非常重要,也是非常有用的一个处理要素. 在skimage库中对直方图的处理,是放在exposure这个模块中. 1.计算直方图函数:skimage.exposure.histo ...
python数字图像处理（17）：边缘与轮廓
在前面的python数字图像处理(10):图像简单滤波中,我们已经讲解了很多算子用来检测边缘,其中用得最多的canny算子边缘检测. 本篇我们讲解一些其它方法来检测轮廓. 1.查找轮廓(find_c ...
第1章 Python 数字图像处理(DIP) --绪论
Python 数字图像处理关于本专栏此专栏为 Python 数字图像处理(DIP)(冈萨雷斯版),专栏里文章的内容都是来自书里,全部手打,非OCR,因为很多公式,都是用LaTex输入,力求更好看的 ...
python数字图像处理以及绘图
1, subplot的使用 matlab中的用法: subplot(m,n,p)或者subplot(m n p) subplot是将多个图画到一个平面上的工具.其中,m和n代表在一个图像窗口中显示m行 ...
（附源码）python数字图像处理课程平台毕业设计 242339
Python数字图像处理课程平台的开发摘要数字图像处理是一门新兴技术,随着计算机硬件的发展,数字图像的实时处理已经成为可能,由于数字图像处理的各种算法的出现,使得其处理速度越来越快,能更好的为人 ...
（附源码）Python数字图像处理课程平台毕业设计242339
Python数字图像处理课程平台的开发摘要数字图像处理是一门新兴技术,随着计算机硬件的发展,数字图像的实时处理已经成为可能,由于数字图像处理的各种算法的出现,使得其处理速度越来越快,能更好的为人 ...
python数字图像处理（1）：环境安装与配置
一提到数字图像处理编程,可能大多数人就会想到matlab,但matlab也有自身的缺点: 1.不开源,价格贵 2.软件容量大.一般3G以上,高版本甚至达5G以上. 3.只能做研究,不易转化成软件. 因 ...
初始----python数字图像处理--：环境安装与配置
一提到数字图像处理编程,可能大多数人就会想到matlab,但matlab也有自身的缺点: 1.不开源,价格贵 2.软件容量大.一般3G以上,高版本甚至达5G以上. 3.只能做研究,不易转化成软件. 因 ...
Python数字图像处理---1.1图像的像素格式与图像读写
目录前言图像像素格式图像读写前言本专栏面向所有希望或有兴趣从事数字图像处理工作.学习或研究的朋友,编程语言采用了当下最火的Python语言. Python是一种跨平台的计算机设计语言,也是一 ...
一文总结Python数字图像处理基础知识与前沿应用
介绍数字图像处理由涉及在计算机上处理图像的各种技术和方法组成.对图像进行各种类型的操作,构成数字图像处理. 了解图像实际上是什么图像基本上是二维信号.信号函数是 f(x,y),其中 x 和 y 在 ...

【python】数字图像处理

目录