当前位置：文档之家 › python图像增强算法实现详解

python图像增强算法实现详解

  • 格式：pdf
  • 大小：68.27 KB
  • 文档页数：3

python图像增强算法实现详解

使⽤python编写了共六种图像增强算法：

1）基于直⽅图均衡化

2）基于拉普拉斯算⼦

3)基于对数变换

4)基于伽马变换

5)限制对⽐度⾃适应直⽅图均衡化：CLAHE

6)retinex-SSR

7)retinex-MSR其中，6和7属于同⼀种下的变化。

将每种⽅法编写成⼀个函数，封装，可以直接在主函数中调⽤。

采⽤同⼀幅图进⾏效果对⽐。

图像增强的效果为：

直⽅图均衡化: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

拉普拉斯算⼦可以增强局部的图像对⽐度

log对数变换对于整体对⽐度偏低并且灰度值偏低的图像增强效果较好

伽马变换对于图像对⽐度偏低，并且整体亮度值偏⾼（对于相机过曝）情况下的图像增强效果明显

CLAHE和retinex的效果均较好

python代码为：

# 图像增强算法，图像锐化算法

# 1）基于直⽅图均衡化 2）基于拉普拉斯算⼦ 3）基于对数变换 4）基于伽马变换 5)CLAHE 6)retinex-SSR 7)retinex-MSR

# 其中，基于拉普拉斯算⼦的图像增强为利⽤空域卷积运算实现滤波

# 基于同⼀图像对⽐增强效果

# 直⽅图均衡化: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

# 拉普拉斯算⼦可以增强局部的图像对⽐度

# log对数变换对于整体对⽐度偏低并且灰度值偏低的图像增强效果较好

# 伽马变换对于图像对⽐度偏低，并且整体亮度值偏⾼（对于相机过曝）情况下的图像增强效果明显

import cv2

import numpy as np

import matplotlib.pyplot as plt

# 直⽅图均衡增强

def hist(image):

r, g, b = cv2.split(image)

r1 = cv2.equalizeHist(r)

g1 = cv2.equalizeHist(g)

b1 = cv2.equalizeHist(b)

image_equal_clo = cv2.merge([r1, g1, b1])

return image_equal_clo

# 拉普拉斯算⼦

def laplacian(image):

kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]])

image_lap = cv2.filter2D(image, cv2.CV_8UC3, kernel)

return image_lap

# 对数变换

def log(image):

image_log = np.uint8(np.log(np.array(image) + 1))

cv2.normalize(image_log, image_log, 0, 255, cv2.NORM_MINMAX)

# 转换成8bit图像显⽰

cv2.convertScaleAbs(image_log, image_log)

return image_log

# 伽马变换

def gamma(image):

fgamma = 2

image_gamma = np.uint8(np.power((np.array(image) / 255.0), fgamma) * 255.0)

cv2.normalize(image_gamma, image_gamma, 0, 255, cv2.NORM_MINMAX)

cv2.convertScaleAbs(image_gamma, image_gamma)

return image_gamma# 限制对⽐度⾃适应直⽅图均衡化CLAHE

def clahe(image):

b, g, r = cv2.split(image)

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))

b = clahe.apply(b)

g = clahe.apply(g)

r = clahe.apply(r)

image_clahe = cv2.merge([b, g, r])

return image_clahe

def replaceZeroes(data):

min_nonzero = min(data[np.nonzero(data)])

data[data == 0] = min_nonzero

return data

# retinex SSR

def SSR(src_img, size):

L_blur = cv2.GaussianBlur(src_img, (size, size), 0)

img = replaceZeroes(src_img)

L_blur = replaceZeroes(L_blur)

dst_Img = cv2.log(img/255.0)

dst_Lblur = cv2.log(L_blur/255.0)

dst_IxL = cv2.multiply(dst_Img, dst_Lblur)

log_R = cv2.subtract(dst_Img, dst_IxL)

dst_R = cv2.normalize(log_R,None, 0, 255, cv2.NORM_MINMAX)

log_uint8 = cv2.convertScaleAbs(dst_R)

return log_uint8

def SSR_image(image):

size = 3

b_gray, g_gray, r_gray = cv2.split(image)

b_gray = SSR(b_gray, size)

g_gray = SSR(g_gray, size)

r_gray = SSR(r_gray, size)

result = cv2.merge([b_gray, g_gray, r_gray])

return result

# retinex MMR

def MSR(img, scales):

weight = 1 / 3.0

scales_size = len(scales)

h, w = img.shape[:2]

log_R = np.zeros((h, w), dtype=np.float32)

for i in range(scales_size):

img = replaceZeroes(img)

L_blur = cv2.GaussianBlur(img, (scales[i], scales[i]), 0)

L_blur = replaceZeroes(L_blur)

dst_Img = cv2.log(img/255.0)

dst_Lblur = cv2.log(L_blur/255.0)

dst_Ixl = cv2.multiply(dst_Img, dst_Lblur)

log_R += weight * cv2.subtract(dst_Img, dst_Ixl)

dst_R = cv2.normalize(log_R,None, 0, 255, cv2.NORM_MINMAX)

log_uint8 = cv2.convertScaleAbs(dst_R)

return log_uint8

def MSR_image(image):

scales = [15, 101, 301] # [3,5,9]

b_gray, g_gray, r_gray = cv2.split(image)

b_gray = MSR(b_gray, scales)

g_gray = MSR(g_gray, scales)

r_gray = MSR(r_gray, scales)

result = cv2.merge([b_gray, g_gray, r_gray])

return resultif __name__ == "__main__":

image = cv2.imread("example.jpg")

image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

plt.subplot(4, 2, 1)

plt.imshow(image)

plt.axis('off')

plt.title('Offical')

# 直⽅图均衡增强

image_equal_clo = hist(image)

plt.subplot(4, 2, 2)

plt.imshow(image_equal_clo)

plt.axis('off')

plt.title('equal_enhance')

# 拉普拉斯算法增强

image_lap = laplacian(image)

plt.subplot(4, 2, 3)

plt.imshow(image_lap)

plt.axis('off')

plt.title('laplacian_enhance')

# LoG对象算法增强

image_log = log(image)

plt.subplot(4, 2, 4)

plt.imshow(image_log)

plt.axis('off')

plt.title('log_enhance')

# 伽马变换

image_gamma = gamma(image)

plt.subplot(4, 2, 5)

plt.imshow(image_gamma)

plt.axis('off')

plt.title('gamma_enhance')

# CLAHE

image_clahe = clahe(image)

plt.subplot(4, 2, 6)

plt.imshow(image_clahe)

plt.axis('off')

plt.title('CLAHE')

# retinex_ssr

image_ssr = SSR_image(image)

plt.subplot(4, 2, 7)

plt.imshow(image_ssr)

plt.axis('off')

plt.title('SSR')

# retinex_msr

image_msr = MSR_image(image)

plt.subplot(4, 2, 8)

plt.imshow(image_msr)

plt.axis('off')

plt.title('MSR')

plt.show()增强效果如下图所⽰：

到此这篇关于python 图像增强算法实现详解的⽂章就介绍到这了,更多相关python 图像增强算法内容请搜索以前的⽂章或继续

浏览下⾯的相关⽂章希望⼤家以后多多⽀持！

合集下载

Python中的图像处理算法

Python中的图像处理算法

Python中的图像处理算法

Python是一种多用途、高级编程语言，其广泛的应用领域之一是图像处理。Python中的图像处理算法可以通过各种库和模块进行实现，如NumPy、OpenCV、Pillow等。本文将讨论Python中常用的一些图像处理算法及其应用。

一、图像处理算法概述

图像处理算法可以简单地理解为对图像进行数字处理以改善图像品质、减小噪声、增强图像特征等。图像处理算法一般分为以下几个类别：

1.图像增强算法：主要是通过一些处理操作来使图像在感觉和视觉上变得更好，如平滑、增强图像的对比度等，常用的算法有均值平滑、高斯平滑、中值滤波等。

2.图像分割算法：是将图像划分为若干互不重叠的区域，其中每个区域具有一定的特征。相应地，最常用的算法是阈值分割，基于k-均值聚类和分水岭算法等。 3.特征提取算法：通常是根据图像的某些特征提取图像的某些特性，如边缘检测、角点检测、SIFT特征提取等，这类算法主要是为了后续的分类、识别和跟踪等过程。

4.目标检测算法：主要是利用现有的知识和特征来在一幅图像中快速地检测出待检测的对象，常见的算法有Haar特征和AdaBoost算法、卷积神经网络等。

5.图像识别算法：常常是通过机器学习算法对某种图像进行分类和识别，主要有支持向量机、主成分分析等。

二、常用图像处理算法

1.图像平滑算法

图像平滑算法主要是通过对一张图像进行滤波和去噪，使得图像看起来更加清晰和干净。常用的平滑算法包括均值滤波、高斯平滑和中值滤波。其中，均值滤波可以消除图像中的高频噪声，但是会使得图像的边缘产生模糊；高斯平滑则可以解决这个问题，不过需要选择合适的方差进行模糊处理，否则依然会有图像的明显模糊。此外，中值滤波常常用于处理椒盐噪点，可以有效地去除大部分的噪点，但是需要在一些情况下小心使用，比如说当处理图像中有大面积均匀噪声时。

2.边缘检测算法

边缘检测算法是在图像中找到边缘的位置，边缘指的是灰度变化剧烈的图像区域。常用的边缘检测算法有Sobel、Prewitt和Canny等。其中Canny算法被广泛应用于图像处理领域，主要是因为它的检测率高、误检率低以及良好的性能。

python基于opencv实现图像增强

python基于opencv实现图像增强

python基于opencv实现图像增强

为了得到更加清晰的图像我们需要通过技术对图像进⾏处理，⽐如使⽤对⽐度增强的⽅法来处理图像，对⽐度增强就是对图像

输出的灰度级放⼤到指定的程度，获得图像质量的提升。本⽂主要通过代码的⽅式，通过OpenCV的内置函数将图像处理到我

们理想的结果。

灰度直⽅图

灰度直⽅图通过描述灰度级在图像矩阵中的像素个数来展⽰图像灰度级的信息，通过灰度直⽅图的统计我们可以看到每个灰度

值的占有率。下⾯是⼀个灰度直⽅图的实现：

import cv2

import numpy as np

import sys

import matplotlib.pyplot as plt

#计算灰度直⽅图

def calcGrayHist(image):

rows,clos = image.shape

#创建⼀个矩阵⽤于存储灰度值

grahHist = np.zeros([256],np.uint64)

print('这是初始化矩阵')

print(grahHist )

for r in range(rows):

for c in range(clos):

#通过图像矩阵的遍历来将灰度值信息放⼊我们定义的矩阵中

grahHist[image[r][c]] +=1

print('这是赋值后的矩阵')

print(grahHist)

return grahHist

if __name__=="__main__":

image = cv2.imread("../img/aa.jpg",cv2.IMREAD_GRAYSCALE)

grahHist = calcGrayHist(image)

x_range = range(256)

plt.plot(x_range,grahHist,'-',linewidth= 3,c='k')

#设置坐标轴的范围

y_maxValue = np.max(grahHist)

plt.axis([0,255,0,y_maxValue])

python图像处理——频率域增强

python图像处理——频率域增强

python图像处理——频率域增强

图像的傅⾥叶变换：import chardet

import numpy as np

import cv2 as cv

import cv2

from PIL import Image

import sys

from matplotlib import pyplot as plt

img = cv2.imread('D:/1/4.jpg',0)

f = np.fft.fft2(img)

fshift = np.fft.fftshift(f)

magnitude_spectrum = 20*np.log(np.abs(fshift))

rows, cols = img.shape

crow,ccol = int(rows/2) , int(cols/2)

fshift[crow-30:crow+30, ccol-30:ccol+30] = 0

f_ishift = np.fft.ifftshift(fshift)

img_back = np.fft.ifft2(f_ishift)

img_back = np.abs(img_back)

plt.subplot(221),plt.imshow(img, cmap = 'gray')

plt.title('Input Image'), plt.xticks([]), plt.yticks([])

plt.subplot(222),plt.imshow(magnitude_spectrum, cmap = 'gray')

plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])

plt.subplot(223),plt.imshow(img_back) #恢复图像

plt.title('Result in JET'), plt.xticks([]), plt.yticks([])

plt.subplot(224),plt.imshow(img_back, cmap = 'gray')

基于Python的夜间图像增强方法研究

基于Python的夜间图像增强方法研究

基于Python的夜间图像增强方法研究

刘晓燕

【摘 要】数字图像广泛应用于生活娱乐、医学、交通等领域,由于光照不均匀和光照强度不够等自然环境、拍摄技术和设备的限制,有些获取的夜间图像对比度低、色彩偏暗、细节缺失严重,且含有大量噪声,影响图像的辨识度和质量,极大的影响了视觉体验.针对该问题,本文分析了基于Retinex和去雾理论的夜间图像增强算法,提高夜间图像的亮度和对比度,提升图像的可视化效果;运用Python语言实现了MSRCR、MSRCP以及基于去雾理论的增强算法.研究结果表明,对夜间图像进行增强处理后,能极大地提高图像的可视化效果.

【期刊名称】《湖北民族学院学报（自然科学版）》

【年(卷),期】2019(037)001

【总页数】5页(P85-89)

【关键词】夜间图像;颜色恢复;Retinex算法;伪去雾

【作 者】刘晓燕

【作者单位】中国船舶重工集团第七一三研究所,郑州450000

【正文语种】中 文

【中图分类】TP391.4

图像处理已经广泛应用于航空、医疗、艺术设计、交通等诸多方面，对目标进行高质量的成像是高效进行图像处理的前提[1].由于成像时不是自然光及所处环境的差异，有些图像不适合人类视觉的观察与分析.特别是低照度下拍摄的夜间图像，具有灰度范围较窄、相邻像素的空间相关性高、灰度变化不明显等缺点，拍摄的图像质量下降，细节信息丢失严重，降低了利用价值[2-4].

利用这些“失败”的夜间图像资源，采用图像增强技术尽可能地修复其细节信息，将获取的原图像转换成一种更加适合于人眼观察和计算机分析处理的形式，显得至关重要.近年来研究者提出的夜间图像增强研究方向主要从空域和频域展开处理，基于Retinex理论和基于去雾理论的增强算法也都能对夜间图像进行有效增强[5-6].

Land[7]提出的Retinex算法认为物体的真实信息存储在反射图像里，而不是设备捕捉到的画面.真实图像信息不会随着光照强度的改变而受到任何影响.基于路径与基于迭代的Retinex算法都是在一维路径上选取反射分量，算法略显复杂，所以基于中心环绕的Retienx算法出现在图像增强领域[8].其中基于Retinex理论的单尺度算法[9]和多尺度算法[10]以及带有色彩恢复功能的算法[11]是最为经典的三种中心环绕算法.基于去雾理论的夜间低照度图像增强算法是基于何凯明[12]提出的暗通道理论上发展而来.宋瑞霞等[13]提出了一种基于HSI色彩空间的夜间图像增强算法.首先将待处理的彩色图像转到HSI颜色空间，对于饱和度提出分段指数变换，而对于亮度先区分开高频子带和低频子带，对低频和高频部分分别采取Retinex调整和模糊增强，这样能够尽最大可能地去除图像中的噪声，也能很好地保留原始图像色彩.最后将色调、色彩饱和度和亮度三个分量进行数据整合得到增强处理的彩色图像.现有的增强算法并不能适用于所有夜间图像，在夜间图像增强方面还有巨大的研究和发展空间.