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(shù)變換

4)基于伽馬變換

5)限制對比度自適應(yīng)直方圖均衡化：CLAHE

6)retinex-SSR

7)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(shù)，封裝，可以直接在主函數(shù)中調(diào)用。

采用同一幅圖進(jìn)行效果對比。

圖像增強的效果為：

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(xì)節(jié)

拉普拉斯算子可以增強局部的圖像對比度

log對數(shù)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(shù)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(xiàn)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(xì)節(jié)

# 拉普拉斯算子可以增強局部的圖像對比度

# log對數(shù)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 cv2

import numpy as np

import 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(shù)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(zhuǎn)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(yīng)直方圖均衡化CLAHE

def 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_clahe

def replaceZeroes(data):

min_nonzero = min(data[np.nonzero(data)])

data[data == 0] = min_nonzero

return data

# retinex SSR

def 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_uint8

def 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 MMR

def 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_uint8

def 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 result

if __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(guān)于python 圖像增強算法實現(xiàn)詳解的文章就介紹到這了,更多相關(guān)python 圖像增強算法內(nèi)容請搜索云海天教程以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持云海天教程！

總結(jié)

以上是生活随笔為你收集整理的python图像增强算法_python 图像增强算法实现详解的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。