基本的灰度变换函数——幂律（伽马）变换

幂律变换的基本形式为： $s=cr^{\gamma }$ ，其中 $c$ 和 $\gamma$ 是常数

有时考虑到偏移量，上式也写为 $s=c(r+\varepsilon )^{\gamma }$ 。然而，偏移量是一般显示标定问题，因而作为一个结果，通常在上式中忽略不计。

与对数变换情况类似，部分 $\gamma$ 值得幂律曲线将较窄范围的暗色值，映射位较宽的目标输出值，相反，对于输入高灰度级值时也成立。

$\gamma$ >1的值所生成的曲线和 $\gamma$ <1所生成的曲线的效果完全相反，当c= $\gamma$ =1时简化为了恒等变换。

下面使用Python实现幂律变换：

使用的图片数据为：

导入要使用的第三方库：

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

读取图片数据，并可视化：

img = Image.open('小亮点.jpg')
plt.axis('off')
plt.imshow(img)
plt.show()

图像数据转换为numpy数组：

img_data = np.array(img)

定义幂律变换函数：

def power_law_rollovers(img, func, c, b):img_data = np.array(img)a = np.shape(img_data)new_img = []for i in range(a[0]):new_row = []for j in range(a[1]):data = list(img_data[i][j])new_data = func(data, c, b)new_row.append(np.array(new_data))new_img.append(np.array(new_row))return new_img

def power_law(data, c, b):new_data = []for k in data:a = int(c*(k**b))new_data.append(a)return new_data

结果：

共生成4张图片，参数c=1，参数 $\gamma$ 分别等于0.8，0.6，0.4，0.3

new_img1 = power_law_rollovers(img, power_law, 1, 0.8)
new_img2 = power_law_rollovers(img, power_law, 1, 0.6)
new_img3 = power_law_rollovers(img, power_law, 1, 0.4)
new_img4 = power_law_rollovers(img, power_law, 1, 0.3)new_img1 = np.array(new_img1)
new_img2 = np.array(new_img2)
new_img3 = np.array(new_img3)
new_img4 = np.array(new_img4)new_img1 = Image.fromarray(new_img1.astype('uint8')).convert('RGB')
new_img2 = Image.fromarray(new_img2.astype('uint8')).convert('RGB')
new_img3 = Image.fromarray(new_img3.astype('uint8')).convert('RGB')
new_img4 = Image.fromarray(new_img4.astype('uint8')).convert('RGB')plt.figure(figsize=(25,60))
plt.subplot(221)
plt.axis('off')
gray1 = new_img1.convert('L')
plt.imshow(gray1, cmap='gray')
plt.subplot(222)
plt.axis('off')
gray2 = new_img2.convert('L')
plt.imshow(gray2, cmap='gray')
plt.subplot(223)
plt.axis('off')
gray3 = new_img3.convert('L')
plt.imshow(gray3, cmap='gray')
plt.subplot(224)
plt.axis('off')
gray4 = new_img4.convert('L')
plt.imshow(gray4, cmap='gray')
plt.show()

基本的灰度变换函数——幂律（伽马）变换相关推荐

数字图像处理-python基于opencv代码实现反转变换、对数变换和幂律(伽马)变换
本文主要介绍对<数字图像处理>第三章书中示例图片实现反转变换.对数变换以及伽马变换的代码若要获取更多数字图像处理,python,深度学习,机器学习,计算机视觉等高清PDF以及更多有意 ...
图像的常用灰度变换——负片、伽马变换、对数变换、直方图均衡化、自适应灰度变换及其MATLAB实现
灰度变换是图像预处理的重要手段,常见的变换方法如下,图文并茂和大家一起学习: %% 尝试灰度变换--伽马变换和对数变换.直方图均衡化clc,clear,close allf = imread('C:\ ...
数字图像处理-空间域处理-灰度变换-基本灰度变换函数（反转变换、对数变换、伽马变换和分段线性变换）
数字图像处理-空间域处理-灰度变换-基本灰度变换函数(反转变换.对数变换.伽马变换和分段线性变换) 空间域处理是直接对像素进行操作的方法,这是相对于频率域处理而言的.空间域处理主要分为两大类:灰度变换 ...
第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波3 -幂律变换、伽马变换
目录幂律(伽马)变换幂律(伽马)变换 s=crγ(3.5)s = c r^{\gamma} \tag{3.5}s=crγ(3.5) c和γc和\gammac和γ是正常数.考虑到偏移(即输入为0时的 ...
python 视频灰度伽玛_Python 图像处理实战 | 图像的灰度非线性变换之对数变换、伽马变换...
作者 | 杨秀璋来源 | CSDN博客责编 | 夕颜头图 | 付费下载自视觉中国出品 | CSDN(ID:CSDNnews) 本篇文章主要讲解非线性变换,使用自定义方法对图像进行灰度化处理,包 ...
Python 图像处理实战 | 图像的灰度非线性变换之对数变换、伽马变换
作者 | 杨秀璋来源 | CSDN博客责编 | 夕颜头图 | 付费下载自视觉中国出品 | CSDN(ID:CSDNnews) 本篇文章主要讲解非线性变换,使用自定义方法对图像进行灰度化处理,包 ...
OpenCV计算机视觉学习（3）——图像灰度线性变换与非线性变换（对数变换，伽马变换）
人工智能学习离不开实践的验证,推荐大家可以多在FlyAI-AI竞赛服务平台多参加训练和竞赛,以此来提升自己的能力.FlyAI是为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台.每周免费提供 ...
图像算法一：【图像点运算】灰度直方图、伽马变换、灰度阈值变换、分段线性变换、直方图均衡化
灰度直方图:imhist() %描述了图像灰度统计信息,主要应用于图像分割和图像灰度变换.>>Img=imread( ' xxx.jpg' ); %读图>>I=imhist(I ...
matlab怎么对图片实行伽马变换,matlab灰阶变换函数imadjust和stretchlim的c++实现
灰阶变换首先介绍一下灰阶变换,一幅图像数据本身在存储的数据结构上为一个二维的矩阵,即一幅图像为m*n个密密麻麻的像素点构成. image.png 然后,这些像素点有着一个值,这个值成为灰度值或者亮度 ...

基本的灰度变换函数——幂律（伽马）变换

基本的灰度变换函数——幂律（伽马）变换相关推荐

最新文章

热门文章