点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

俗话说，一张图胜过千言万语。但是，如果它传达的内容与我们想看的内容不符怎么办？我们确定它应该来自那个图像，但不幸的是它不是很明显。如果说，有可能从一幅图像中发现我们想要了解的背景，并且很可能在这一过程中获得一些额外的见解，那会怎么样？

这就是我们今天要讨论的——图像增强！

图像增强由一组用于细化图像的技术组成。通过这种方式，图像在视觉上更容易被人类感知，这反过来将进一步促进改进的图像处理分析。图像增强处理技术包括：

1. 傅里叶变换

2. 白平衡

3. 直方图处理

对于这篇文章，讨论将围绕python中用于图像增强的各种白平衡算法的使用展开。但在此之前，让我们记录下基本库。

import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow

白平衡

首先，什么是白平衡（WB）？这是一个消除不切实际的色偏的色彩校正过程，以便在我们想要的图像中正确呈现白色的物体。我们将实施三种白平衡技术，它们是：

1. 白色补丁算法

2. 灰度世界算法

3. 地面真值算法

为了便于说明，我们将使用下图：

白色补丁算法

这种方法是一种典型的颜色恒定性适应方法，它搜索最亮的色块以用作白色参考，类似于人类视觉系统的做法。请注意，要在图像中观察到白色，RGB 颜色空间中的每个通道都应处于最大值。

Python中的代码实现：

def white_patch(image, percentile=100):"""White balance image using White patch algorithmParameters----------image : numpy arrayImage to white balancepercentile : integer, optionalPercentile value to consider as channel maximumReturns-------image_wb : numpy arrayWhite-balanced image"""white_patch_image = img_as_ubyte((image*1.0 / np.percentile(image,percentile,axis=(0, 1))).clip(0, 1))return white_patch_image
#call the function to implement white patch algorithm
skio.imshow(white_patch(lily, 85))

使用白色补丁算法增强百合

正如所观察到的，可以看到图像变得相对更亮，中间的百合花变得非常鲜艳，这就是白色补丁算法如何增强图像的方式。接下来，让我们看看下一个算法。

灰度世界算法

灰度世界算法是一种白平衡方法，它假设图像平均为中性灰色。如果图像中的颜色分布良好，则灰度世界假设成立。考虑到这个假设为真，平均反射颜色被假设为光的颜色。因此，我们可以通过查看平均颜色并将其与灰色进行比较来估计照明色偏。

Python中的代码实现：

def gray_world(image):"""White balance image using Gray-world algorithmParameters----------image : numpy arrayImage to white balanceReturns-------image_wb : numpy array   White-balanced image"""image_grayworld = ((image * (access.mean() / image.mean(axis=(0,1)))).clip(0,255).astype(int))# for images having a transparency channelif image.shape[2] == 4:image_grayworld[:,:,3] = 255return image_grayworld
#call the function to implement gray world algorithm
skio.imshow(gray_world(lily))

使用灰度世界算法增强百合

如图，可以看出它与原始图像并没有太大的偏差，其原因之一可能是平均颜色及其与灰色的比较并不那么显著，然后让我们看看最后一个算法。

地面真值算法

到目前为止，我们已经对颜色空间在图像上的表现做了假设。现在，我们将选择一个补丁（图像的一部分）并使用该补丁重新创建我们想要的图像，而不是对增强图像做出假设。

为该图像选择的补丁程序如下所示：

from matplotlib.patches import Rectangle
fig, ax = plt.subplots()
ax.imshow(lily)
ax.add_patch(Rectangle((650, 550), 100, 100, edgecolor='b', facecolor='none'));

补丁（包含在蓝色边框中）

补丁的放大图像

选择补丁后，我们现在将继续增强我们的图像。为此，我们可以采用两种方式：

1. 最大值方法— 将原始图像的每个通道归一化为该区域每个通道的最大值

2. 平均值在方法— 将原始图像的每个通道归一化为该区域每个通道的平均值

Python中的代码实现：

def ground_truth(image, patch, mode='mean'):   """White balance image using Ground-truth algorithmParameters----------image : numpy arrayImage to white balancrpatch : numpy arrayPatch of "true" whitemode : mean or max, optionalAdjust mean or max of each channel to match patchReturns-------image_wb : numpy arrayWhite-balanced image"""image_patch = img_patchif mode == 'mean':image_gt = ((image * (image_patch.mean() / \image.mean(axis=(0, 1))))\.clip(0, 255)\.astype(int))if mode == 'max':image_gt = ((image * 1.0 / image_patch.max(axis(0,1))).clip(0, 1))#transparency channelif image.shape[2] == 4:image_gt[:,:,3] = 255
return image_gt

让我们看看两种模式的输出。

使用最大值方法：

skio.imshow(ground_truth(lily, img_patch, 'max'))

使用地面真值算法增强图像（最大值模式）

除了生动地强调百合之外，还可以观察到花朵周围的浮叶也得到了增强，绿色通道被极大地突出显示。让我们看看这与使用均值作为模式有何不同。

使用平均值方法：

skio.imshow(ground_truth(lily, img_patch, 'mean'))

使用地面真值算法增强图像（平均值模式）

输出稍微接近白色补丁输出，但后者更亮。它还强调了百合花的颜色，但它没有突出浮叶的颜色，只是提亮了它。

对于地面真值算法，输出图像很大程度上取决于补丁图像的选择。因此，通过可视化我们想要获得什么样的增强图像来明智地选择补丁。

我们现在可以使用 3 种不同的方法来增强图像。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~