图像处理与图像识别笔记（三）图像增强1

图像增强的目的是为了改善图像的视觉效果，为了更便于人或机器的分析和处理，在不考虑图像降质（前提）的情况下，提高图像的可观性。灰度变换是一种典型的图像增强方法，我们通常把图像处理按照处理方法分成空域方法与频域方法两类，灰度变换是一种对点处理的空域处理方法。

一、灰度变换

将一个灰度区间映射到另一个灰度区间的变换称为灰度变换， $g(x,y) = T[f(x,y)]$ ，灰度区间是指 $0-255$ 的灰度值区间， $0$ 是黑色， $255$ 是白色。灰色变换可使图像动态范围加大，图像对比度扩展，图像清晰，特征明显。灰度变换可以分为线性变换和非线性变换。
1、线性变换
原始图像： $f(x,y)$ ，灰度范围： $[a,b]$ ，变换后的图像： $g(x,y)$ ，灰度范围： $[c,d]$ ，存在以下变换关系：

$g(x,y) =\frac{d-c}{b-a}[f(x,y)-a]+c$

2、非线性变换
灰度变换的非线性变换方法包括对数变换和指数变换，对数变换公式为 $g(x,y) = a+\frac{\ln[f(x,y)+1]}{b\ln c}$ ，这个变换扩展低灰度区的对比度，压缩高灰度值。指数变换公式为 $g(x,y)=b^{c[f(x,y)-a]}-1$ ，与对数变换相反，指数变换对图像的高灰度区有较大的扩展。

线性灰度变换实例如下，

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

def grayTransformLine(img,c,d):#线性灰度变换
	img = img/255.0	#转换为0-1
	Min = img.min()
	Max = img.max()
	return (d-c)/(Max-Min)*(img-Min)+c

def main():
	img = cv2.imread('Lena.jpg',0)
	new_img = grayTransformLine(img,0.5,1)#变换到0.5-1，整体变亮
	new_img2 = grayTransformLine(img,0,0.5)#变换到0-0.5，整体变灰暗
	cv2.imshow('bright',new_img)	
	cv2.imshow('dark',new_img2)
	cv2.waitKey(0)

if __name__ == "__main__":
	main()

输出结果如下，

3、灰度直方图
图像中像素灰度分布的概率密度函数，设图像尺寸为 $M×N$ ，共有 $K$ 级灰度，并且具有灰度级 $r_k$ 的像素数为 $g(r_k)$ ，则有： $p(r_k)=\frac{g(r_k)}{M×N}$ ，下面我们来计算图像的灰度直方图。

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

img = cv2.imread('Lena.jpg',0)
#images：输入图像，channels：图像的通道，mask：掩膜图像，若计算整幅图则为none，histSize：灰度级的个数
#ranges：像素值的范围
hist_cv = cv2.calcHist(images=[img],channels=[0],mask=None,histSize=[256],ranges=[0,255])
plt.plot(hist_cv)
pylab.show()

上述两幅图的灰度直方图如下所示，

明显看出，第一幅图的灰度分布集中在高值部分，因此整幅图高亮，第二幅图的灰度分布集中在低值部分，整幅图呈灰暗。

4、直方图均衡化
将原始图像的直方图变换为均匀分布的形式，从而增加像素灰度值的动态范围，达到增强图像整体对比度的效果。直方图均衡是一种非线性变换，以牺牲图像的等级为代价。
实现代码如下，

import cv2
import matplotlib.pyplot as plt 
import pylab

img = cv2.imread('Lena.jpg',0)
res = cv2.equalizeHist(img)	#均衡化
plt.subplot(121),plt.imshow(img,'gray')
plt.subplot(122),plt.imshow(res,'gray')
pylab.show()

均衡化的结果如下，

我们可以看到，均衡化后的图像灰度分布更加均匀，图像对比度明显增强。
上述的均衡化方法是全局上的均衡，有些时候这种操作并不好，会把某些不该调整的部分给调整。Opencv提供另一种局部调整的均衡化，把整个图像分成许多小块，每个小块内部进行均衡化，这种方法叫做对比度受限的自适应直方图均衡化，对于图像直方图存在多峰的图像比较适用，实现代码如下，

import cv2
import matplotlib.pyplot as plt 
import pylab

img = cv2.imread('Lena.jpg',0)
#全局直方图均衡化
res = cv2.equalizeHist(img)
#自适应直方图均衡化
clahe = cv2.createCLAHE(clipLimit=2,tileGridSize=(10,10))#
cl1 = clahe.apply(img)
plt.subplot(121),plt.imshow(res,'gray')
plt.subplot(122),plt.imshow(cl1,'gray')
pylab.show()

两种均衡化的结果如下，

我们可以看出，相对于全局均衡化的结果，局部均衡化的效果更加自然一些。

二、同态增晰

我们之前讲到过傅里叶变换，经过傅里叶变换可以得到一幅图像的频域信息，我们可以对图像的频域进行操作达到滤波的目的。频域中的低频成分反映灰度的恒定分量，减弱低频成分可以起到缩小图像灰度范围的作用；频域中的高频成分反映图像的边界特性，增强高频成分可以提升图像的对比度（暗区细节增强并保留亮区细节）。
同态增晰是一种在频域中进行滤波操作的方法，目的是消除图像上照明不均的问题，增加暗区的图像细节，同时又不损失亮区的图像细节，它在频域中同时将图像亮度范围进行压缩和图像对比度进行增强。
同态滤波函数选用高通滤波器，消弱低频成分，加强高频成分。

同态增晰的过程如下，

未完待续