使用python編寫了共六種圖像增強(qiáng)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：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(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。

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(qiáng)圖像細(xì)節(jié)拉普拉斯算子可以增強(qiáng)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(qiáng)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(jī)過曝）情況下的圖像增強(qiáng)效果明顯CLAHE和retinex的效果均較好

python代碼為：

# 圖像增強(qiáng)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(qiáng)為利用空域卷積運(yùn)算實現(xiàn)濾波# 基于同一圖像對比增強(qiáng)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(qiáng)圖像細(xì)節(jié)# 拉普拉斯算子可以增強(qiáng)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(qiáng)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(jī)過曝）情況下的圖像增強(qiáng)效果明顯import cv2import numpy as npimport matplotlib.pyplot as plt# 直方圖均衡增強(qiáng)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(qiáng) 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(qiáng) 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(qiáng) 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(qiáng)效果如下圖所示：

到此這篇關(guān)于python 圖像增強(qiáng)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(qiáng)算法內(nèi)容請搜索好吧啦網(wǎng)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好吧啦網(wǎng)！