【数字图像处理】灰度变换增强图像

原创已于 2024-07-25 09:58:22 修改 · 1.4k 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#图像处理

于 2024-03-26 21:12:14 首次发布

图像处理与计算机视觉专栏收录该内容

39 篇文章

订阅专栏

本文详细介绍了图像处理中的三种增强方法：对数变换扩展低灰度区域并压缩高灰度，指数(伽玛)变换调整对比度，以及直方图均衡化使图像灰度分布均匀。通过计算和示例展示了这些技术的数学原理和Python实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

灰度变换增强图像

灰度变换增强图像

对数变换

对数变换的作用是对图像的低灰度范围进行扩展，并对高灰度范围进行压缩，得到的结
果图像灰度分布更均匀，其通用表达式为：

$y = c \log_2(x+1)$

其中 $c$ 为自定义常数。


def log_transform(x, c):
    x = (x - x.min()) / (x.max() - x.min())
    y = c * np.log(1 + x)
    out = (y - y.min()) / (y.max() - y.min()) * 255
    return out.astype(np.uint8)

指数(伽玛)变换

指数(伽玛)变换的一般公式为：

$x^{\gamma}$

当 $\gamma < 1$ 时，扩展图像暗区、压缩图像亮区。暗区对比度增强、亮区对比度减弱。 $\gamma > 1$ 时，压缩图像暗区，扩展图像亮区。暗区对比度减弱，亮区对比度增强。

def gamma_transform(x, c, gamma):
    x = (x - x.min()) / (x.max() - x.min())
    y = c * np.power(x, gamma)
    dst = (y - y.min()) / (y.max()-y.min()) * 255
    return dst.astype(np.uint8)

直方图均衡化变换

设原始图像X和目标图像Y的灰度直方图分布为：
$p_ {x} ( x_ {k} ),k=0,1, \cdots ,N-1 \\ p_ {y} ( y_ {k} ),k=0,1, \cdots ,N-1$

直方图均衡化映射函数 $T(\cdot)$ 为：

$y_ {k} =T( x_ {k} )=\text{int}((N-1)\cdot\sum _ {j=0}^ {k} p_ {x} (x_j)),k=0,1, \cdots ,N-1$

第k个灰度值的从0到k的累积分布(0-1)乘以N-1，是整个图像的灰度值在0-N-1范围内均衡。

def equalize_hist(img, N=256):
    H, W = img.shape
    out = img.copy()
    sum_h = 0
    for i in range(0, 256):
        ind = np.where(img == i)
        sum_h += len(img[ind])
        p_x = sum_h / (H * W)
        out[ind] = (N-1)* p_x 
    out = out.astype(np.uint8) 
    return out