快捷導(dǎo)航

Python灰度變換中位圖切割分析實現(xiàn)

更新時間：2022年10月18日 17:05:24 作者：Henry_zs

灰度變換是指根據(jù)某種目標(biāo)條件按一定變換關(guān)系逐點改變源圖像中每個像素灰度值的方法。目的是改善畫質(zhì)，使圖像顯示效果更加清晰。圖像的灰度變換處理是圖像增強處理技術(shù)中的一種非常基礎(chǔ)、直接的空間域圖像處理方法，也是圖像數(shù)字化軟件和圖像顯示軟件的一個重要組成部分

1. 介紹

圖像的像素值是由比特組成的。例如一副256級灰度圖像中，圖像是由8 bit組成。

與之前對比度拉伸的區(qū)別是，之前我們主要強調(diào)在某一范圍的灰度值作為我們能感興趣的目標(biāo)將其變亮或者變暗。而位圖切割主要強調(diào)每個bit對圖像的貢獻(xiàn)，通過方法將不同位的灰度值值取出來還原成圖像。

如圖所示，一副8 bit圖像，我們可以將圖像分割成8個，將每個圖像對應(yīng)的比特位取出構(gòu)建成一副新的圖像

2. 實現(xiàn)方法

例如圖像某一點的像素值為100，對應(yīng)的二進(jìn)制為0110 0100

我們的目標(biāo)很簡單，就是將第1位的0取出來（這里不要把100看成一個數(shù)，將他想象成一幅圖像的所有點，我們要把圖像像素對應(yīng)二進(jìn)制的第一位全部取出，組成一副新的圖像）以此類推...

最后為了防止取出的灰度值過暗，我們將他映射到最大值255

這里提供兩種方法實現(xiàn)：

將圖像的二進(jìn)制和對應(yīng)的 8bit 相與（0000 0000），例如取第0個比特平面的話圖像就和（0000 0001）與。所以結(jié)果只能是0000 000X （X取決于圖像的最低位），如果X = 1的話，我們認(rèn)為這個點的像素在 0bit平面有值，將它映射為255；否則為0
圖像像素除以 2^n （n代表第n個比特平面，n從0開始，為了滿足編程下標(biāo)從0開始計數(shù)），如果商的整數(shù)部分為1的話，說明這個點在n比特平面有值，映射為255；否則為0

注：

這里映射為255為了突出對應(yīng)比特平面的亮度，否則就算再最高的比特平面，最大值也只有128灰度值（因為最高的是第7為，2^7 = 128）
如果利用第一種與的方法，但是最后不要拉伸成255，只是把與的結(jié)果作為新的圖像輸出。那么只需要將8副圖像全部加起來就可以還原圖像

3. code

這里用第二種÷的方法實現(xiàn)

如果用第一種與的方法的話，只需要將中間的代碼段替換成后面的就行，結(jié)果是一樣的

import cv2
import numpy as np
gray = cv2.imread('./img.jpg',0)
img = cv2.resize(gray,None,fx = 0.5,fy = 0.5,interpolation=cv2.INTER_AREA)  #縮小圖像
group = []   # 存放每一層的圖像
for n in range(8):
    dst = np.zeros_like(img)
    for i in range(img.shape[0]):
        for j in range(img.shape[1]):
            ret = img[i][j] // pow(2,n)       #ret = img[i][j] & pow(2,n)
            if (ret % 2) ==1:                 # if (ret ==pow(2,n)):
                dst[i][j] = 255
            else:
                dst[i][j] = 0
    group.append(dst)
cv2.imshow('0-3',np.hstack((i for i in group[:4])))
cv2.imshow('4-7',np.hstack((i for i in group[4:])))
cv2.waitKey()
cv2.destroyAllWindows()

輸入圖像：

輸出結(jié)果：

4. 比特平面重建圖像

如果還原圖像的話，我們再輸出圖像的時候，就不要映射到255，之間將圖像與比特平面相與的結(jié)果輸出即可

import cv2
import numpy as np
gray = cv2.imread('./img.jpg',0)
img = cv2.resize(gray,None,fx = 0.5,fy = 0.5,interpolation=cv2.INTER_AREA)  #縮小圖像
group = []   # 存放每一層的圖像
for n in range(8):
    dst = np.zeros_like(img)
    for i in range(img.shape[0]):
        for j in range(img.shape[1]):
            ret = img[i][j] & pow(2,n)
            dst[i][j] = ret   # 將與的結(jié)果作為圖像
    group.append(dst)
cv2.imshow('0-3',np.hstack((i for i in group[:4])))
cv2.imshow('4-7',np.hstack((i for i in group[4:])))
a = np.zeros_like(img)   # 還原
for i in group:
    a += i
cv2.imshow('img',a)
cv2.waitKey()
cv2.destroyAllWindows()

輸出比特平面：