OpenCV利用查找表（Look-uptable）增加图像对比度_gis里面lookup是查找表资源-CSDN下载

共3个文件

cpp：2个

h：1个

5星 · 超过95%的资源需积分: 46 122 浏览量 2013-09-03 21:04:15 上传评论 1 收藏 2KB RAR 举报

在图像处理领域，OpenCV库是一个广泛使用的开源工具，它提供了丰富的函数和方法来操作和分析图像。在本文中，我们将深入探讨如何利用OpenCV中的查找表（Look-up Table，简称LUT）来增加图像的对比度。查找表是一种快速且有效的方法，可以将输入图像的每个像素值映射到新的值，从而改变图像的整体视觉效果。我们需要理解查找表的基本概念。查找表是一种数据结构，其中包含了输入值和对应的输出值。在图像处理中，这个输入值通常是像素的灰度级（0-255），而输出值则可以是任何经过特定变换的新灰度级。通过使用查找表，我们可以对图像进行非线性变换，例如增加对比度、色彩校正或图像的其他视觉调整。在OpenCV中，`cv::LUT`函数用于实现查找表的操作。这个函数接受两个输入参数：一个是输入图像（通常为单通道8位图像），另一个是查找表本身，它是一个大小为256的一维数组，每个元素对应于输入图像中可能的每个灰度级的新值。要使用查找表增加图像的对比度，我们首先需要创建一个合适的LUT。这通常涉及计算一个新的灰度级映射，使得图像的亮部和暗部之间的差异增大。一个简单的增加对比度的方法是使用线性变换，如以下公式： `new_value = (old_value - min_value) * scale + new_min_value` 在这个公式中，`min_value`和`max_value`是原始图像的最小和最大灰度值，`scale`是缩放因子，用于控制对比度的增加程度，`new_min_value`是新图像的最小灰度值，通常设置为0以保持图像的非负性质。计算出所有可能的`new_value`后，我们将这些值存储在LUT数组中。在实际操作中，我们首先读取图像，然后创建并填充LUT，最后使用`cv::LUT`函数应用查找表到图像上。以下是一个简单的示例代码： ```cpp #include <opencv2/opencv.hpp> int main() { // 读取图像 cv::Mat img = cv::imread("input.jpg", cv::IMREAD_GRAYSCALE); if (img.empty()) { std::cerr << "无法读取图像" << std::endl; return -1; } // 获取最小和最大灰度值 double minVal, maxVal; cv::minMaxLoc(img, &minVal, &maxVal); // 计算对比度增大的LUT cv::Mat lut(1, 256, CV_8UC1); for (int i = 0; i < 256; ++i) { double new_value = ((i - minVal) * (255.0 / (maxVal - minVal))) + 1; // 假设new_min_value = 1 lut.at<uchar>(i) = static_cast<uchar>(std::min(new_value, 255.0)); } // 应用LUT cv::Mat output; cv::LUT(img, lut, output); // 显示原图和处理后的图像 cv::imshow("Original Image", img); cv::imshow("Increased Contrast Image", output); cv::waitKey(); return 0; } ``` 在这个例子中，我们首先读取一个灰度图像，然后找到图像中的最小和最大灰度值。接着，我们创建了一个LUT，并使用线性变换计算出新的灰度值。`cv::LUT`函数将这个LUT应用到原始图像上，生成了对比度增加的输出图像。总结来说，OpenCV的查找表功能为我们提供了一种灵活、高效的手段来调整图像的对比度。通过设计适当的映射函数并构建查找表，我们可以轻松地改变图像的视觉特性，满足各种图像处理需求。无论是简单的线性变换还是更复杂的非线性变换，LUT都是一个强大而实用的工具。

资源详情

资源评论

资源推荐

收起资源包目录

LookupTable.rar （3个子文件）

LookupTable

getHistImage.cpp 848B

Histogram.h 1KB

Histogram.cpp 3KB

#include "Histogram.h" #include <iostream> cv::MatND Histogram::getHistogram(const cv::Mat &image) { cv::MatND hist; cv::calcHist(&image, //看一下函数声明就会明白参数的意思 1, // histogram of 1 image only channels, // the channel used cv::Mat(), // no mask is used hist, // the resulting histogram 1, // it is a 1D histogram histSize, // number of bins ranges // pixel value range ); return hist; } cv::Mat Histogram::getHisotgramImage(const cv::Mat &image) { //得到图像的信道数 int channels = image.channels(); //将直方图最大值缩小为灰度级数的90% int hpt = static_cast<int>(0.9*histSize[0]); //初始化直方图矩阵,注意这里的画布一定要是三基色，要不然画不了彩色的line cv::Mat histImg(histSize[0]*channels, histSize[0], CV_8UC3, cv::Scalar(255,255,255)); std::vector<cv::Mat> images; std::vector<cv::Scalar> scalars; //如果是1通道图像则直方图是灰色 if(channels == 1) scalars.push_back(CV_RGB(0,0,0)); else { //注意Scalar的顺序是BGR scalars.push_back(CV_RGB(0,0,255)); scalars.push_back(CV_RGB(0,255,0)); scalars.push_back(CV_RGB(255,0,0)); } double minVal = 0; double maxVal = 0; //将通道分离，逐个求直方图 cv::split(image, images); for(int c=0; c<channels; c++) { cv::MatND hist = getHistogram(images[c]); //得到直方图的最大值和最小值和位置，以便对直方图缩放 cv::minMaxLoc(hist, &minVal, &maxVal, 0, 0); // std::cout<<scalars[c]<<std::endl; for(int h=0; h<histSize[0]; h++) { float binVal = hist.at<float>(h); int intensity = static_cast<int>(binVal*hpt/maxVal); //在histImg中画直线,要注意图像的坐标系 cv::line(histImg, cv::Point(h, histSize[0]*(c+1)), cv::Point(h,histSize[0]*(c+1)- intensity),scalars[c]); } } return histImg; } cv::Mat Histogram::creatLookupTable1(const cv::Mat &image, int minValue) { cv::MatND hist= getHistogram(image); int minBin, i; for (minBin=0; minBin<histSize[0]; minBin++) { if(hist.at<float>(minBin) > minValue) break; } int maxBin; for(maxBin = histSize[0] -1; maxBin >= 0; maxBin--) { if (hist.at<float>(maxBin) > minValue) break; } cv::Mat lookupTable(1, histSize[0], CV_8U); for( i = 0; i<histSize[0]; i++) { if (i<=minBin) lookupTable.at<uchar>(i) = 0; else if (minBin < i && i < maxBin) lookupTable.at<uchar>(i) = static_cast<uchar> (255.0*(i-minBin)/(maxBin - minBin)+0.5); else lookupTable.at<uchar>(i) = 255; } return lookupTable; } cv::Mat Histogram::creatLookupTable2(const cv::Mat &image) { int i; cv::Mat lookupTable(1, histSize[0], CV_8U); for( i = 0; i<histSize[0]; i++) { lookupTable.at<uchar>(i) = 255-i; } return lookupTable; } cv::Mat Histogram::applyLookupTable(const cv::Mat &image, const cv::Mat &lookupTable) { cv::Mat result; cv::LUT(image, lookupTable, result); return result; }