这篇教程python之数字图像处理方式写得很实用，希望能帮到您。
基本概念对于一幅图像，我们可以将其放入坐标系中，这里取图像左上定点为坐标原点，x 轴向右，和笛卡尔坐标系x轴相同；y 轴向下，和笛卡尔坐标系y轴相反。 这样我们可将一幅图像定义为一个二维函数 f(x，y)，图像中的每个像素就可以用 (x，y) 坐标表示，而在任何一对空间坐标 (x，y) 处的幅值 f 称为图像在该点的强度或灰度，当 x，y 和灰度值 f 是有限离散数值时，便称该图像为 数字图像 注：f的取值为区间[Lmin，Lmax]，也将其称为图像的灰度级，实际情况下常常令该区间为[0，L-1]，其中f=0时为黑色，f=1时在灰度级中为白色，所有中间值是从黑色到白色之间变化的灰度色调，而图像最高和最低灰度级之间的灰度差便为对比度 注：图像亮度、对比度、饱和度和锐化之间并不是彼此独立的，改变其中一个特征可能会同时引起图像其他特征的变化，至于变化的程度取决于图像本身的特性。 图像亮度通俗理解便是图像的明暗程度，如果灰度值在[0，255]之间，则 f 值越接近0亮度越低，f 值越接近255亮度越高。 指的是图像暗和亮的落差值，即图像最大灰度级和最小灰度级之间的差值 饱和度指的是图像颜色种类的多少， 上面提到图像的灰度级是[Lmin，Lmax]，则在Lmin、Lmax 的中间值越多，便代表图像的颜色种类多，饱和度也就更高，外观上看起来图像会更鲜艳，调整饱和度可以修正过度曝光或者未充分曝光的图片。使图像看上去更加自然 图像锐化是补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰。图像锐化在实际图像处理中经常用到，因为在做图像平滑，图像滤波处理的时候经过会把丢失图像的边缘信息，通过图像锐化便能够增强突出图像的边缘、轮廓 就是每英寸图像内有多少个像素点
图像增强概述：主要分为空间域增强和频率域增强，本文主要介绍空间域增强方法：也就是直接对图片像素进行处理。 
整体代码import mathimport cv2import numpy as npimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['FangSong'] # 设置字体以便正确显示汉字plt.rcParams['axes.unicode_minus'] = False # 正确显示连字符MEDTH_ID=8# 计算图片清晰度def getImageVar(img): img2gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转化成灰度图 # 对图片用 3x3 拉普拉斯算子做卷积得到边缘 计算出方差，并最后返回。 # 函数求完导数后会有负值，还有会大于255的值。而原图像是uint8，即8位无符号数，所以建立的图像位数不够，会有截断。因此要使用64位有符号的数据类型，即 cv2.CV_64F。 # 再用var函数求方差 imageVar = cv2.Laplacian(img2gray, cv2.CV_64F).var() return imageVar# 转接器def handle(idx, img): if idx == 1: return handle_specific(img, linear) # 线性变化 if idx == 2: return handle_specific(img, linear_up) # 分段线性变化 if idx == 3: return handle_specific(img, Logarithmic) # 对数变换 if idx == 4: return handle_specific(img, power) # 幂指变换 if idx == 5: return handle_specific(img, cv2.equalizeHist) # 直方图均衡化 if idx == 6: return handle_specific(img, auto_equalizeHist) # 自适应直方图均衡化 if idx == 7: return handle_specific(img, laplacian) # laplacian算子图像锐化 if idx == 8: return handle_specific(img, non_sharpening) # 非锐化掩蔽# 处理函数def handle_specific(img, func): img_list = [func(i) for i in cv2.split(img)] result = cv2.merge((img_list[0], img_list[1], img_list[2])) return result# 线性变化def linear(img): a, b = 1.5, 0 for i in range(img.shape[0]): for j in range(img.shape[1]): if img[i][j] * a + b > 255: img[i][j] = 255 else: img[i][j] = img[i][j] * a + b return img# 分段线性变换-线性对比度拉伸,增强感兴趣区域def linear_up(img): # 灰度值的最大最小值 r_min, r_max = 255, 0 for i in range(img.shape[0]): for j in range(img.shape[1]): if img[i, j] > r_max: r_max = img[i, j] if img[i, j] < r_min: r_min = img[i, j] r1, s1 = r_min, 0 r2, s2 = r_max, 255 k = (s2 - s1) / (r2 - r1) for i in range(img.shape[0]): for j in range(img.shape[1]): if r1 <= img[i, j] <= r2: img[i, j] = k * (img[i, j] - r1) return img# 对数变换def Logarithmic(img): for i in range(img.shape[0]): for j in range(img.shape[1]): img[i][j] = math.log(1+img[i][j]) cv2.normalize(img, img, 0, 255, cv2.NORM_MINMAX) img = cv2.convertScaleAbs(img) return img# 对数变换def power(img): for i in range(img.shape[0]): for j in range(img.shape[1]): img[i][j] = math.pow(img[i][j],1.2) cv2.normalize(img, img, 0, 255, cv2.NORM_MINMAX) img = cv2.convertScaleAbs(img) return img# 自适应的直方图均衡化-非线性的对比度拉伸,增强感兴趣区域def auto_equalizeHist(img): clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) img = clahe.apply(img) return imgdef laplacian(img): kernel = np.array([[0, 1, 0], [1, -4, 1], [0, 1, 0]]) # laplacian卷积核的一个模板 lapkernel_img = cv2.filter2D(img, -1, kernel) # 做卷积 img = img - lapkernel_img return imgdef non_sharpening(img): blur_img = cv2.blur(img, (5, 5)) mask_img = img - blur_img img = img + mask_img return imgimg = cv2.imread(filename='img/CB.61.20211203152034_crop_0.jpg', flags=1)result = handle(MEDTH_ID, img)print('原图的清晰度：', getImageVar(img))print('处理之后的清晰度', getImageVar(result))fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10, 8), dpi=100)axes[0].imshow(img)axes[0].set_title("原图")axes[1].imshow(result)axes[1].set_title("处理之后的图片")plt.show()
线性变换线性变换主要可以对图像的对比度和亮度进行调整(但是比较暴力)，线性变换公式如下： f ( x , y ) = f ( x , y ) ∗ a + b f(x,y)=f(x,y)*a+b f(x,y)=f(x,y)∗a+b，参数 a 影响图像的对比度，参数 b 影响图像的亮度，具体分为可分为以下几种情况： - a>1：增强图像的对比度，图像看起来更加清晰
- a<1： 减小了图像的对比度， 图像看起来变暗，
- b>0：增加图像的亮度，图像变亮，
- b<0：减少图像的亮度，图像变暗
- a=-1 and b=255：图像翻转
a=1.5,b=0的结果： 
分段线性变换将原图的灰度范围限制为自定义范围，增强感兴趣区域。如将原来的 [ l m i n , l m a x ] [l_{min},l_{max}] [lmin
Python虚拟机中描述器的王炸应用分享
懒人必备Python代码之自动发送邮件 |
