使用python編寫了共六種圖像增強算法：

1）基于直方圖均衡化2）基于拉普拉斯算子3)基于對數變換4)基于伽馬變換5)限制對比度自適應直方圖均衡化：CLAHE6)retinex-SSR7)retinex-MSR其中，6和7屬于同一種下的變化。將每種方法編寫成一個函數，封裝，可以直接在主函數中調用。采用同一幅圖進行效果對比。

直方圖均衡化:對比度較低的圖像適合使用直方圖均衡化方法來增強圖像細節拉普拉斯算子可以增強局部的圖像對比度log對數變換對于整體對比度偏低并且灰度值偏低的圖像增強效果較好伽馬變換對于圖像對比度偏低，并且整體亮度值偏高（對于相機過曝）情況下的圖像增強效果明顯CLAHE和retinex的效果均較好

python代碼為：

# 圖像增強算法，圖像銳化算法# 1）基于直方圖均衡化 2）基于拉普拉斯算子 3）基于對數變換 4）基于伽馬變換 5)CLAHE 6)retinex-SSR 7)retinex-MSR# 其中，基于拉普拉斯算子的圖像增強為利用空域卷積運算實現濾波# 基于同一圖像對比增強效果# 直方圖均衡化:對比度較低的圖像適合使用直方圖均衡化方法來增強圖像細節# 拉普拉斯算子可以增強局部的圖像對比度# log對數變換對于整體對比度偏低并且灰度值偏低的圖像增強效果較好# 伽馬變換對于圖像對比度偏低，并且整體亮度值偏高（對于相機過曝）情況下的圖像增強效果明顯import cv2import numpy as npimport matplotlib.pyplot as plt# 直方圖均衡增強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# 對數變換def log(image): image_log = np.uint8(np.log(np.array(image) + 1)) cv2.normalize(image_log, image_log, 0, 255, cv2.NORM_MINMAX) # 轉換成8bit圖像顯示 cv2.convertScaleAbs(image_log, image_log) return image_log# 伽馬變換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# 限制對比度自適應直方圖均衡化CLAHEdef 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_clahedef replaceZeroes(data): min_nonzero = min(data[np.nonzero(data)]) data[data == 0] = min_nonzero return data# retinex SSRdef 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_uint8def 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 MMRdef 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_uint8def 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’) # 直方圖均衡增強 image_equal_clo = hist(image) plt.subplot(4, 2, 2) plt.imshow(image_equal_clo) plt.axis(’off’) plt.title(’equal_enhance’) # 拉普拉斯算法增強 image_lap = laplacian(image) plt.subplot(4, 2, 3) plt.imshow(image_lap) plt.axis(’off’) plt.title(’laplacian_enhance’) # LoG對象算法增強 image_log = log(image) plt.subplot(4, 2, 4) plt.imshow(image_log) plt.axis(’off’) plt.title(’log_enhance’) # 伽馬變換 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()

增強效果如下圖所示：

到此這篇關于python 圖像增強算法實現詳解的文章就介紹到這了,更多相關python 圖像增強算法內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！