欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python 圖像增強(qiáng)算法實(shí)現(xiàn)詳解

 更新時(shí)間:2021年01月24日 10:50:20   作者:Wade_whl  
這篇文章主要介紹了python 圖像增強(qiáng)算法實(shí)現(xiàn)詳解,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

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(duì)數(shù)變換
4)基于伽馬變換
5)限制對(duì)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(gè)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(duì)比。

圖像增強(qiáng)的效果為:

直方圖均衡化:對(duì)比度較低的圖像適合使用直方圖均衡化方法來(lái)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(duì)比度
log對(duì)數(shù)變換對(duì)于整體對(duì)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(duì)于圖像對(duì)比度偏低,并且整體亮度值偏高(對(duì)于相機(jī)過(guò)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(duì)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(shí)現(xiàn)濾波
# 基于同一圖像對(duì)比增強(qiáng)效果
# 直方圖均衡化:對(duì)比度較低的圖像適合使用直方圖均衡化方法來(lái)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(duì)比度
# log對(duì)數(shù)變換對(duì)于整體對(duì)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(duì)于圖像對(duì)比度偏低,并且整體亮度值偏高(對(duì)于相機(jī)過(guò)曝)情況下的圖像增強(qiáng)效果明顯

import cv2
import numpy as np
import 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(duì)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(duì)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(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(duì)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(shí)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(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

  • pandas將numpy數(shù)組寫入到csv的實(shí)例

    pandas將numpy數(shù)組寫入到csv的實(shí)例

    今天小編就為大家分享一篇pandas將numpy數(shù)組寫入到csv的實(shí)例,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
    2018-07-07
  • Python趣味挑戰(zhàn)之用pygame實(shí)現(xiàn)簡(jiǎn)單的金幣旋轉(zhuǎn)效果

    Python趣味挑戰(zhàn)之用pygame實(shí)現(xiàn)簡(jiǎn)單的金幣旋轉(zhuǎn)效果

    今天教大家怎么用pygame實(shí)現(xiàn)簡(jiǎn)單的金幣旋轉(zhuǎn)效果,文中有非常詳細(xì)的代碼示例,對(duì)正在學(xué)習(xí)python的小伙伴們很有幫助,需要的朋友可以參考下
    2021-05-05
  • numpy.random.seed()的使用實(shí)例解析

    numpy.random.seed()的使用實(shí)例解析

    這篇文章主要介紹了numpy.random.seed()的使用實(shí)例解析,分享了相關(guān)代碼示例,小編覺(jué)得還是挺不錯(cuò)的,具有一定借鑒價(jià)值,需要的朋友可以參考下
    2018-02-02
  • 詳解Python中四種關(guān)系圖數(shù)據(jù)可視化的效果對(duì)比

    詳解Python中四種關(guān)系圖數(shù)據(jù)可視化的效果對(duì)比

    python關(guān)系圖的可視化主要就是用來(lái)分析一堆數(shù)據(jù)中,每一條數(shù)據(jù)的節(jié)點(diǎn)之間的連接關(guān)系從而更好的分析出人物或其他場(chǎng)景中存在的關(guān)聯(lián)關(guān)系。本文將制作四個(gè)不同的關(guān)系圖的可視化效果,感興趣的可以了解一下
    2022-11-11
  • Pyspark獲取并處理RDD數(shù)據(jù)代碼實(shí)例

    Pyspark獲取并處理RDD數(shù)據(jù)代碼實(shí)例

    這篇文章主要介紹了Pyspark獲取并處理RDD數(shù)據(jù)代碼實(shí)例,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
    2020-03-03
  • 解決nohup重定向python輸出到文件不成功的問(wèn)題

    解決nohup重定向python輸出到文件不成功的問(wèn)題

    今天小編就為大家分享一篇解決nohup重定向python輸出到文件不成功的問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
    2018-05-05
  • NumPy迭代數(shù)組的實(shí)現(xiàn)

    NumPy迭代數(shù)組的實(shí)現(xiàn)

    本文主要介紹了NumPy迭代數(shù)組的實(shí)現(xiàn),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
    2023-02-02
  • python實(shí)現(xiàn)一次創(chuàng)建多級(jí)目錄的方法

    python實(shí)現(xiàn)一次創(chuàng)建多級(jí)目錄的方法

    這篇文章主要介紹了python實(shí)現(xiàn)一次創(chuàng)建多級(jí)目錄的方法,涉及Python中os模塊makedirs方法的使用技巧,非常簡(jiǎn)單實(shí)用,需要的朋友可以參考下
    2015-05-05
  • Python中擴(kuò)展包的安裝方法詳解

    Python中擴(kuò)展包的安裝方法詳解

    這篇文章主要給大家總結(jié)了關(guān)于Python中擴(kuò)展包的安裝方法,文中介紹的非常詳細(xì),對(duì)大家具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面跟著小編一起來(lái)學(xué)習(xí)學(xué)習(xí)吧。
    2017-06-06
  • 介紹Python的Urllib庫(kù)的一些高級(jí)用法

    介紹Python的Urllib庫(kù)的一些高級(jí)用法

    這篇文章主要介紹了Python的Urllib庫(kù)的一些高級(jí)用法,是用Python編寫爬蟲(chóng)的一些基礎(chǔ)知識(shí),需要的朋友可以參考下
    2015-04-04

最新評(píng)論