為了得到更加清晰的影象我們需要通過技術對影象進行處理，比如使用對比度增強的方法來處理影象，對比度增強就是對影象輸出的灰度級放大到指定的程度，獲得影象質量的提升。本文主要通過程式碼的方式，通過OpenCV的內建函式將影象處理到我們理想的結果。

灰度直方圖

灰度直方圖通過描述灰度級在影象矩陣中的畫素個數來展示影象灰度級的資訊，通過灰度直方圖的統計我們可以看到每個灰度值的佔有率。下面是一個灰度直方圖的實現：

import cv2
import numpy as np
import sys
import matplotlib.pyplot as plt

#計算灰度直方圖
def calcGrayHist(image):
  rows,clos = image.shape
  #建立一個矩陣用於儲存灰度值
  grahHist = np.zeros([256],np.uint64)
  print('這是初始化矩陣')
  print(grahHist )
  for r in range(rows):
    for c in range(clos):
      #通過影象矩陣的遍歷來將灰度值資訊放入我們定義的矩陣中
      grahHist[image[r][c]] +=1
  print('這是賦值後的矩陣')
  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')
  #設定座標軸的範圍
  y_maxValue = np.max(grahHist)
  plt.axis([0,255,y_maxValue])
  #設定標籤
  plt.xlabel('gray Level')
  plt.ylabel("number of pixels")
  #顯示灰度直方圖
  plt.show()

執行結果

線性變換

線性變換的公式為：

影象的線性變換無疑就是利用矩陣的乘法就行線性變換，比如一個矩陣I,2I,3I （np.unt8 ndarry型別就是unt8型別）就是一個矩陣的變換.

import cv2
import numpy as np
import sys

if __name__=="__main__":
  img = cv2.imread("../img/ae.jpg",cv2.IMREAD_GRAYSCALE)
  a=2
  #線性變換 定義float型別
  O = float(a)*img
  #資料擷取 如果大於255 取 255
  O[0>255] = 255
  #資料型別的轉換
  O = np.round(O)
  O = O.astype(np.uint8)
  cv2.imshow("img",img)
  cv2.imshow('enhance',O)
  cv2.waitKey(0)
  cv2.destroyAllWindows()

執行結果：

灰度級範圍越大就代表對比度越高，反之對比度越低視覺上清晰度就越低。我們通過a=2的線性對比度拉伸將灰度級範圍擴大到[0,255]之間，如上圖我們改變灰度級的範圍後圖像變的清晰。

直方圖正規化

將影象O中的最小灰度級記為OminOmin,最大灰度級記為OmaxOmax,假如輸出的影象P的灰度級範圍為[Pmin,PmaxPmin,Pmax],則O 與 P的關係為：

其中P(r,c)就代表P的第r行第c列的灰度值。這個過程就是直方圖的正規化。我們一般令P的範圍是[0,255]，所以直方圖的正規化是在求a,b變換的值的方法，我們可以得到：

下面我們使用OpenCV來實現上面的理論：

import cv2
import numpy as np
import sys
from enhance.GrayHist import mget
if __name__=="__main__":
  img = cv2.imread("../img/o3.jpg",cv2.IMREAD_GRAYSCALE)
  #求出img 的最大最小值
  Maximg = np.max(img)
  Minimg = np.min(img)
  print(Maximg,Minimg,'-----------')
  #輸出最小灰度級和最大灰度級
  Omin,Omax = 0,255
  #求 a,b
  a = float(Omax - Omin)/(Maximg - Minimg)
  b = Omin - a*Minimg
  print(a,b,'-----------')
  #線性變換
  O = a*img + b
  O = O.astype(np.uint8)
  #利用灰度直方圖進行比較 mget為GrayHist中的寫方法
  mget(img)
  mget(O)


  cv2.imshow('img',O)
  cv2.waitKey(0)
  cv2.destroyAllWindows()

伽瑪變換

將一張圖的灰度值歸至[0,1]後，對於8點陣圖來說，除以255即可。伽瑪變換就是令O(r,c)=I(r,c)γI(r,c)γ,0≤r<H,0≤≤r<H,0≤c<W.
當γγ等於1時影象不發生變換，而當γγ大於0且小於1時就可以增強影象的對比度，相反的當γγ大於1時就可以使影象對比度降低。 以下是伽瑪變換在OpenCV中的實現：

import cv2
import numpy as np
import sys

# 伽瑪變換 power函式實現冪函式

if __name__ == "__main__":
  img = cv2.imread("../img/ae.jpg",cv2.IMREAD_GRAYSCALE)
  # 歸1
  Cimg = img / 255
  # 伽瑪變換
  gamma = 0.5
  O = np.power(Cimg,gamma)
  #效果
  cv2.imshow('img',img)
  cv2.imshow('O',O)
  cv2.waitKey(0)
  cv2.destroyAllWindows()

執行結果：

直方圖的均衡化

• 計算影象的灰度直方圖
• 計算灰度直方圖的累加直方圖
• 根據累加的直方圖和直方圖均衡化的原理得到輸入灰度級與輸出灰度級之間的對映關係
• 使用迴圈的方式得到輸出影象的每一個畫素的灰度級

import cv2
import numpy as np
from enhance.GrayHist import calcGrayHist

#直方圖的均衡化
if __name__ == "__main__":
  image = cv2.imread("../img/ae.jpg",cv2.IMREAD_GRAYSCALE)
  rows,cols = image.shape
  #計算灰度直方圖
  grayHist = calcGrayHist(image)
  #計算累加灰度直方圖
  zeroCumuMoment = np.zeros([256],np.uint32)
  for p in range(256):
    if p == 0:
      zeroCumuMoment[p] = grayHist[0]
    else:
      zeroCumuMoment[p] = zeroCumuMoment[p-1] + grayHist[p]
  #根據累加的灰度直方圖得到輸入與輸出灰度級之間的對映關係
  output = np.zeros([256],np.uint8)
  cofficient = 256.0/(rows*cols)
  for p in range(256):
    q = cofficient * float(zeroCumuMoment[p])-1
    if q >=0:
      output[p] = np.math.floor(q)
    else:
      output[p] = 0
  #得出均衡化影象
  equalHistimg = np.zeros(image.shape,np.uint8)
  for r in range(rows):
    for c in range(cols):
      equalHistimg[r][c] = output[image[r][c]]
  cv2.imshow('image',image)
  cv2.imshow('histimage',equalHistimg)
  cv2.waitKey(0)
  cv2.destroyAllWindows()

執行結果：

以上就是python 基於opencv實現影象增強的詳細內容，更多關於python opencv的資料請關注我們其它相關文章！