前面我们提到，用均值滤波器、中值滤波器、高斯滤波器等可以降低图像中的噪声，其副作用是带来了图像模糊。我们降低噪声的目的，当然是为了提高图像的质量，这是“图像增强”的一个重要应用。
那图像质量怎么评价呢？这是个不同人有不同见解，比较主观的事情。图像增强从一开始就是建立在特定问题的基础上的。对于不同的特定问题，就需要不同的图像增强方法，其增强后的图像质量当然评价标准也不一样。因此，并不存在“通用”的图像增强理论。
但是主观的事情，并不代表完全没有客观的评价标准。我们看下面3张图：
从主观上我们看，第一幅，第二幅图像整体偏暗，没有第3幅图像好。整体偏暗表示灰度值都比较低，而且灰度值之间相差不大。
我们知道，统计学中最基本的统计量是均值和标准差。表示一组数据中的平均值和数值之间的离散程度。而一副图像就是一个矩阵数组，表示灰度值的集合，那么一副图像有没有平均灰度值和标准差呢。
我们统计下上面3副图像中的均值和标准差：
print(np.mean(lena1), np.mean(lena2), np.mean(lena3))
print(np.std(lena1), np.std(lena2), np.std(lena3))
- 1
- 2
输出结果：
40.32 80.64 134.40
12.45 24.91 41.51
- 1
- 2
那么，我们很容易得出一些推论：
1.均值太小，表明有大量的灰度值接近于0，整体图像就偏暗；
2.均值太大，表明有大量的灰度值接近于255，整体图像就偏亮。
3.标准差太小，表明灰度值之间相差不大，表现在图像上就是亮度变化不明显，看不出差异。
4.标准差太大，表明灰度值一部分很大，一部分很小，分布的很不均匀。
除了均值和标准差，我们在统计学中，通常用直方图来表示一组数据的分布情况。那么，我们怎么知道一副图像中的灰度值分布呢？我们知道，灰度值数据一般的取值范围是[0-255]。对于每个灰度，统计在图像中出现的次数即可，就可以大致知道其分布情况。这和统计学中的数据直方图很像。
下面把上面3副图像的每个灰度值进行下数量统计。
import cv2
import matplotlib.pyplot as plt
lena = cv2.imread("lena1.png", 0)
lena1 = cv2.imread("lena1.png", 1)
lena2 = cv2.imread("lena2.png", 1)
lena3 = cv2.imread("lena3.png", 1)
print(lena1.shape, lena2.shape, lena3.shape)
plt.subplot(321)
plt.imshow(cv2.cvtColor(lena1, cv2.COLOR_BGR2RGB))
plt.subplot(322)
plt.hist(lena1[:, :, 0].ravel(), 256, [0, 256])
plt.subplot(323)
plt.imshow(cv2.cvtColor(lena2, cv2.COLOR_BGR2RGB))
plt.subplot(324)
plt.hist(lena2[:, :, 0].ravel(), 256, [0, 256])
plt.subplot(325)
plt.imshow(cv2.cvtColor(lena3, cv2.COLOR_BGR2RGB))
plt.subplot(326)
plt.hist(lena3[:, :, 0].ravel(), 256, [0, 256])
plt.show()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
可以看出，第一幅图像中灰度值大量集中在0-50之间，整体偏暗，第二幅图像中灰度值大量集中在0-150之间，而第三幅图像的灰度值大致均匀的分布在0-255的区间内。
直观上，可以得出这样的结论：若一副图像的像素值倾向于占据整个可能的灰度值区间，并且分布相对均匀，则该图像能够展示灰色调的较大变化和丰富的灰度细节，也就是具有高对比度的外观。
转载自：https://blog.csdn.net/saltriver/article/details/78986820