數(shù)字圖像增強(qiáng)

亮度與對(duì)比度轉(zhuǎn)換

圖像變換可分為以下兩種：

• 點(diǎn)算子：基于像素變換，在這一類圖像變換中，僅僅根據(jù)輸入像素值計(jì)算相應(yīng)的輸出像素值
• 鄰域算子：基于圖像區(qū)域進(jìn)行變換

兩種常用的點(diǎn)算子是用常數(shù)對(duì)點(diǎn)的像素值進(jìn)行乘法或加法運(yùn)算，可以表示為：

$$g(i,j)=\alpha ?f(i,j)+\beta$$

其中，圖像中點(diǎn)的位置為$(i,j)$，α值代表增益，β值代表偏置。對(duì)圖像進(jìn)行亮度和對(duì)比度的變換就是一種點(diǎn)算子，這兩個(gè)參數(shù)分別可以用來控制對(duì)比度與亮度?？梢酝ㄟ^調(diào)節(jié)這兩個(gè)參數(shù)的值，來對(duì)圖片進(jìn)行對(duì)比度或亮度的調(diào)節(jié)。即將原圖像中的每一個(gè)像素點(diǎn)都加上一個(gè)偏置常數(shù)，則可以使圖片的亮度變大。類似地，將原圖片中的像素點(diǎn)乘上一個(gè)增益系數(shù)，可以調(diào)整圖片的對(duì)比度。

注意

圖片像素點(diǎn)的像素值取值范圍是[0，255]，一定不要讓其溢出，可以使用np.clip進(jìn)行截?cái)?/p>

示例圖像：

import cv2
import numpy as np


#  方法1： 基于addWeighted()函數(shù)實(shí)現(xiàn)
def convert_img1(img, alpha, beta):
    blank = np.zeros(img.shape, img.dtype)
    return cv2.addWeighted(img, alpha, blank, 0, beta)


# 方法2： 通過for循環(huán)手動(dòng)實(shí)現(xiàn)
def convert_img2(img, alpha, beta):
    rows, cols, chs = img.shape
    new_img = np.zeros(img.shape, img.dtype)
    for i in range(rows):
        for j in range(cols):
            for k in range(chs):
                new_img[i, j, k] = np.clip(alpha * img[i, j, k] + beta, 0, 255)
    return new_img

img = cv2.imread('woman.png')
cv2.imwrite('convert_img1.jpg', convert_img1(img, 2.2, 50))
cv2.imwrite('convert_img2.jpg', convert_img2(img, 2.2, 50))

在上述代碼中，函數(shù)convert_img1()中的addWeighted()函數(shù)的參數(shù)列表分別為：[img1,alpha,img2,beta,gamma]，代表將兩個(gè)圖片進(jìn)行如下計(jì)算：

$$new\_img=alpha?img1+beta?img2+gamma$$

而函數(shù)convert_img2()實(shí)現(xiàn)的過程，就是通過for循環(huán)修改原始圖片的像素值，與函數(shù)convert_img1()的過程是一樣的，只不過convert_img1()函數(shù)調(diào)用addWeighted()函數(shù)的img2參數(shù)中圖片的像素值都是0而已。

幾何變換

圖像的幾何變換是指對(duì)圖片中的圖像像素點(diǎn)的位置進(jìn)行變換的一種操作，它將一幅圖像中的坐標(biāo)位置映射到新的坐標(biāo)位置，也就是改變像素點(diǎn)的空間位置，同時(shí)也要估算新空間位置上的像素值。

圖像裁剪

在圖像數(shù)據(jù)的矩陣中裁剪出部分矩陣作為新的圖像數(shù)據(jù)，從而實(shí)現(xiàn)對(duì)圖像的裁剪。

import cv2
import numpy as np

# 圖像裁剪
img = cv2.imread('woman.png')
print(img.shape)

new_img = img[20:300, 20:400]
cv2.imwrite('crop_img.jpg', new_img)

上述代碼實(shí)現(xiàn)的過程是將原始的圖像從第(20，20)個(gè)像素點(diǎn)的位置，裁剪到(300，400)處，裁剪的形狀是矩形。

尺寸變換

修改圖像的尺寸也就是修改圖像的大小，OpenCV的resize()函數(shù)可以實(shí)現(xiàn)這樣的功能。對(duì)圖像進(jìn)行尺寸變換時(shí)，必然會(huì)丟失或者增加一些像素點(diǎn)。在縮放時(shí)建議使用區(qū)域插值cv2.INTER_AREA，可以避免出現(xiàn)波紋；在放大時(shí)建議使用三次樣條插值cv2.INTER_CUBIC，但是其計(jì)算速度相對(duì)較慢。也可以使用線性插值cv2.INTER_LINEAR，默認(rèn)情況下所有改變圖像尺寸大小的操作使用的插值法都是線性插值。

# 圖像縮放
small_resize_img = cv2.resize(img, (200, 200), interpolation=cv2.INTER_AREA)
cv2.imwrite('small_resize.jpg', small_resize_img)

small_resize_img2 = cv2.resize(img, None, fx=0.5, fy=0.6, interpolation=cv2.INTER_AREA)  # 圖像的寬對(duì)應(yīng)的是列數(shù)，高對(duì)應(yīng)的是行數(shù)
cv2.imwrite('small_resize2.jpg', small_resize_img2)

圖像旋轉(zhuǎn)

旋轉(zhuǎn)通過getRotationMatrix2D()函數(shù)來實(shí)現(xiàn)。

# 圖像旋轉(zhuǎn)
img = cv2.imread('woman.png')
rows, cols, _ = img.shape
rotated_mat = cv2.getRotationMatrix2D((cols/2, rows/2), 45, 1)  # 第一個(gè)參數(shù)是旋轉(zhuǎn)中心，第2個(gè)為旋轉(zhuǎn)角度，第3個(gè)為旋轉(zhuǎn)后的縮放因子
rotated_img = cv2.warpAffine(img, rotated_mat, dsize=(cols, rows))
cv2.imwrite('rot45.jpg', rotated_img)

噪聲處理

對(duì)訓(xùn)練數(shù)據(jù)添加適量噪聲，可以使訓(xùn)練后的模型更加魯棒，對(duì)模型的性能提升有一定幫助。對(duì)噪聲進(jìn)行消除，可以增加圖像的質(zhì)量。

添加噪聲

對(duì)圖像添加兩種常用噪聲的方法：

• 椒鹽噪聲
• 高斯噪聲

import cv2
import random
import numpy as np

# 添加椒鹽噪聲
def salt_and_pepper_noise(img, percentage):
    rows, cols, chs = img.shape
    num = int(percentage * rows * cols)
    for i in range(num):
        x = random.randint(0, rows-1)
        y = random.randint(0, cols-1)
        z = random.randint(0, chs-1)
        if random.randint(0, 1) == 0:
            img[x, y, z] = 0  # 黑色噪點(diǎn)
        else:
            img[x, y, z] = 255  # 白色噪點(diǎn)
    return img

# 添加高斯隨機(jī)噪聲
def gaussian_noise(img, mu, sigma, delta):
    rows, cols, chs = img.shape
    for i in range(rows):
        for j in range(cols):
            for k in range(chs):
                # 生成高斯分布的隨機(jī)數(shù)，與原始數(shù)據(jù)相加要取整
                value = int(img[i, j, k] + delta*random.gauss(mu=mu, sigma=sigma))
                value = np.clip(a_max=255, a_min=0, a=value)
                img[i, j, k] = value
    return img


img = cv2.imread('woman.png')

cv2.imwrite('saltPepper.jpg', salt_and_pepper_noise(img, 0.3))
cv2.imwrite('gaussain.jpg', gaussian_noise(img, 0, 1, 100))

可以看到上述為圖像添加椒鹽噪聲和高斯噪聲的方法。對(duì)于高斯噪聲來說，函數(shù)gaussian_noise()中的mu參數(shù)代表了隨機(jī)數(shù)高斯分布的平均值，sigma代表隨機(jī)數(shù)高斯分布的標(biāo)準(zhǔn)差，而參數(shù)delta代表一個(gè)系數(shù)，表明添加高斯噪聲的強(qiáng)度。

處理噪聲

OpenCV提供了幾種濾波方法，如中值濾波、雙邊濾波、高斯模糊、二維卷積等，

import cv2
import random
import numpy as np

# 模糊與濾波
salt_and_pepper_img = cv2.imread('saltPepper.jpg')
gaussain_img = cv2.imread('gaussain.jpg')

# 二維卷積
kernel = np.ones((5, 5), np.float32) / 25  # 每個(gè)值是0.04
conv_2d_img = cv2.filter2D(salt_and_pepper_img, -1, kernel)
cv2.imwrite('filter_2d_img.jpg', conv_2d_img)

# 中值濾波
median_blur_img = cv2.medianBlur(salt_and_pepper_img, 5)  # 參數(shù)5表示大小為5x5的區(qū)域像素值進(jìn)行計(jì)算
cv2.imwrite('median_blur_img.jpg', median_blur_img)

# 高斯模糊
gaussian_blur_img = cv2.GaussianBlur(gaussain_img, (5, 5), 0)
cv2.imwrite('gaussian_blur_img.jpg', gaussian_blur_img)

# 雙邊濾波
bilateral_filter_img = cv2.bilateralFilter(gaussain_img, 9, 75, 75)  # 9代表鄰域直徑，兩個(gè)參數(shù)75分別代表值域與空域標(biāo)準(zhǔn)差
cv2.imwrite('bilateral_filter_img.jpg', bilateral_filter_img)

可以看到，中值濾波的效果是最好的。文章來源地址http://www.zghlxwxcb.cn/news/detail-695763.html

到了這里，關(guān)于數(shù)字圖像處理:亮度對(duì)比度-幾何變換-噪聲處理的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(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TOY模板網(wǎng)！