欢迎大家来到“Python从零到壹”,在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解,真心想把自己近十年的编程经验分享给大家,希望对您有所帮助,文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持,知识无价人有情,希望我们都能在人生路上开心快乐、共同成长。

该系列文章主要讲解Python OpenCV图像处理和图像识别知识,前期主要讲解图像处理基础知识、OpenCV基础用法、常用图像绘制方法、图像几何变换等,中期讲解图像处理的各种运算,包括图像点运算、形态学处理、图像锐化、图像增强、图像平滑等,后期研究图像识别、图像分割、图像分类、图像特效处理以及图像处理相关应用。

第二部分将讲解图像运算和图像增强,上一篇文章介绍图像灰度线性变换,包括灰度上移、对比度增强、对比度减弱和灰度反色变换。这篇文章将详细讲解图像灰度非线性变换。图像灰度非线性变换主要包括对数变换、幂次变换、指数变换、分段函数变换,通过非线性关系对图像进行灰度处理,本文主要讲解三种常见类型的灰度非线性变换。希望文章对您有所帮助,如果有不足之处,还请海涵。

文章目录

  • 一.图像灰度非线性变换
  • 二.图像灰度对数变换
  • 三.图像灰度伽玛变换
  • 四.总结

下载地址:

  • https://github.com/eastmountyxz/Python-zero2one

前文赏析:

第一部分 基础语法

  • [Python从零到壹] 一.为什么我们要学Python及基础语法详解
  • [Python从零到壹] 二.语法基础之条件语句、循环语句和函数
  • [Python从零到壹] 三.语法基础之文件操作、CSV文件读写及面向对象

第二部分 网络爬虫

  • [Python从零到壹] 四.网络爬虫之入门基础及正则表达式抓取博客案例
  • [Python从零到壹] 五.网络爬虫之BeautifulSoup基础语法万字详解
  • [Python从零到壹] 六.网络爬虫之BeautifulSoup爬取豆瓣TOP250电影详解
  • [Python从零到壹] 七.网络爬虫之Requests爬取豆瓣电影TOP250及CSV存储
  • [Python从零到壹] 八.数据库之MySQL基础知识及操作万字详解
  • [Python从零到壹] 九.网络爬虫之Selenium基础技术万字详解(定位元素、常用方法、键盘鼠标操作)
  • [Python从零到壹] 十.网络爬虫之Selenium爬取在线百科知识万字详解(NLP语料构造必备技能)

第三部分 数据分析和机器学习

  • [Python从零到壹] 十一.数据分析之Numpy、Pandas、Matplotlib和Sklearn入门知识万字详解(1)
  • [Python从零到壹] 十二.机器学习之回归分析万字总结全网首发(线性回归、多项式回归、逻辑回归)
  • [Python从零到壹] 十三.机器学习之聚类分析万字总结全网首发(K-Means、BIRCH、层次聚类、树状聚类)
  • [Python从零到壹] 十四.机器学习之分类算法三万字总结全网首发(决策树、KNN、SVM、分类算法对比)
  • [Python从零到壹] 十五.文本挖掘之数据预处理、Jieba工具和文本聚类万字详解
  • [Python从零到壹] 十六.文本挖掘之词云热点与LDA主题分布分析万字详解
  • [Python从零到壹] 十七.可视化分析之Matplotlib、Pandas、Echarts入门万字详解
  • [Python从零到壹] 十八.可视化分析之Basemap地图包入门详解
  • [Python从零到壹] 十九.可视化分析之热力图和箱图绘制及应用详解
  • [Python从零到壹] 二十.可视化分析之Seaborn绘图万字详解
  • [Python从零到壹] 二十一.可视化分析之Pyechart绘图万字详解
  • [Python从零到壹] 二十二.可视化分析之OpenGL绘图万字详解
  • [Python从零到壹] 二十三.十大机器学习算法之决策树分类分析详解(1)
  • [Python从零到壹] 二十四.十大机器学习算法之KMeans聚类分析详解(2)
  • [Python从零到壹] 二十五.十大机器学习算法之KNN算法及图像分类详解(3)
  • [Python从零到壹] 二十六.十大机器学习算法之朴素贝叶斯算法及文本分类详解(4)
  • [Python从零到壹] 二十七.十大机器学习算法之线性回归算法分析详解(5)
  • [Python从零到壹] 二十八.十大机器学习算法之SVM算法分析详解(6)
  • [Python从零到壹] 二十九.十大机器学习算法之随机森林算法分析详解(7)
  • [Python从零到壹] 三十.十大机器学习算法之逻辑回归算法及恶意请求检测应用详解(8)
  • [Python从零到壹] 三十一.十大机器学习算法之Boosting和AdaBoost应用详解(9)
  • [Python从零到壹] 三十二.十大机器学习算法之层次聚类和树状图聚类应用详解(10)

第四部分 Python图像处理基础

  • [Python从零到壹] 三十三.图像处理基础篇之什么是图像处理和OpenCV配置
  • [Python从零到壹] 三十四.OpenCV入门详解——显示读取修改及保存图像
  • [Python从零到壹] 三十五.图像处理基础篇之OpenCV绘制各类几何图形
  • [Python从零到壹] 三十六.图像处理基础篇之图像算术与逻辑运算详解
  • [Python从零到壹] 三十七.图像处理基础篇之图像融合处理和ROI区域绘制
  • [Python从零到壹] 三十八.图像处理基础篇之图像几何变换(平移缩放旋转)
  • [Python从零到壹] 三十九.图像处理基础篇之图像几何变换(镜像仿射透视)
  • [Python从零到壹] 四十.图像处理基础篇之图像量化处理
  • [Python从零到壹] 四十一.图像处理基础篇之图像采样处理
  • [Python从零到壹] 四十二.图像处理基础篇之图像金字塔向上取样和向下取样

第五部分 Python图像运算和图像增强

  • [Python从零到壹] 四十三.图像增强及运算篇之图像点运算和图像灰度化处理
  • [Python从零到壹] 四十四.图像增强及运算篇之图像灰度线性变换详解
  • [Python从零到壹] 四十五.图像增强及运算篇之图像灰度非线性变换详解

第六部分 Python图像识别和图像高阶案例

第七部分 NLP与文本挖掘

第八部分 人工智能入门知识

第九部分 网络攻防与AI安全

第十部分 知识图谱构建实战

扩展部分 人工智能高级案例

作者新开的“娜璋AI安全之家”将专注于Python和安全技术,主要分享Web渗透、系统安全、人工智能、大数据分析、图像识别、恶意代码检测、CVE复现、威胁情报分析等文章。虽然作者是一名技术小白,但会保证每一篇文章都会很用心地撰写,希望这些基础性文章对你有所帮助,在Python和安全路上与大家一起进步。


一.图像灰度非线性变换

原始图像的灰度值按照DB=DA×DA/255的公式进行非线性变换,其代码如下:

# -*- coding: utf-8 -*-
# By:Eastmount
import cv2
import numpy as np
import matplotlib.pyplot as plt#读取原始图像
img = cv2.imread('luo.png')#图像灰度转换
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#获取图像高度和宽度
height = grayImage.shape[0]
width = grayImage.shape[1]#创建一幅图像
result = np.zeros((height, width), np.uint8)#图像灰度非线性变换:DB=DA×DA/255
for i in range(height):for j in range(width):gray = int(grayImage[i,j])*int(grayImage[i,j]) / 255result[i,j] = np.uint8(gray)#显示图像
cv2.imshow("Gray Image", grayImage)
cv2.imshow("Result", result)#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

图像灰度非线性变换的输出结果如图13-1所示:


二.图像灰度对数变换

图像灰度的对数变换一般表示如公式(13-1)所示:

其中c为尺度比较常数,DA为原始图像灰度值,DB为变换后的目标灰度值。如图13-2所示,它表示对数曲线下的灰度值变化情况,其中x表示原始图像的灰度值,y表示对数变换之后的目标灰度值。

由于对数曲线在像素值较低的区域斜率大,在像素值较高的区域斜率较小,所以图像经过对数变换后,较暗区域的对比度将有所提升。这种变换可用于增强图像的暗部细节,从而用来扩展被压缩的高值图像中的较暗像素。

对数变换实现了扩展低灰度值而压缩高灰度值的效果,被广泛地应用于频谱图像的显示中。一个典型的应用是傅立叶频谱,其动态范围可能宽达0~106直接显示频谱时,图像显示设备的动态范围往往不能满足要求,从而丢失大量的暗部细节;而在使用对数变换之后,图像的动态范围被合理地非线性压缩,从而可以清晰地显示。

在图13-3中,未经变换的频谱经过对数变换后,增加了低灰度区域的对比度,从而增强暗部的细节。

下面的代码实现了图像灰度的对数变换。

# -*- coding: utf-8 -*-
# By:Eastmount
import numpy as np
import matplotlib.pyplot as plt
import cv2#绘制曲线
def log_plot(c):x = np.arange(0, 256, 0.01)y = c * np.log(1 + x)plt.plot(x, y, 'r', linewidth=1)plt.rcParams['font.sans-serif']=['SimHei'] #正常显示中文标签plt.title('对数变换函数')plt.xlabel('x')plt.ylabel('y')plt.xlim(0, 255), plt.ylim(0, 255)plt.show()#对数变换
def log(c, img):output = c * np.log(1.0 + img)output = np.uint8(output + 0.5)return output#读取原始图像
img = cv2.imread('dark.png')#绘制对数变换曲线
log_plot(42)#图像灰度对数变换
output = log(42, img)#显示图像
cv2.imshow('Input', img)
cv2.imshow('Output', output)
cv2.waitKey(0)
cv2.destroyAllWindows()

图13-4表示经过对数函数处理后的效果图,对数变换对于整体对比度偏低并且灰度值偏低的图像增强效果较好。

对应的对数函数曲线如图13-5所示,其中x表示原始图像的灰度值,y表示对数变换之后的目标灰度值。


三.图像灰度伽玛变换

伽玛变换又称为指数变换或幂次变换,是另一种常用的灰度非线性变换。图像灰度的伽玛变换一般表示如公式(13-2)所示:

  • 当γ>1时,会拉伸图像中灰度级较高的区域,压缩灰度级较低的部分。
  • 当γ<1时,会拉伸图像中灰度级较低的区域,压缩灰度级较高的部分。
  • 当γ=1时,该灰度变换是线性的,此时通过线性方式改变原图像。

Python实现图像灰度的伽玛变换代码如下,主要调用幂函数实现。

# -*- coding: utf-8 -*-
# By:Eastmount
import numpy as np
import matplotlib.pyplot as plt
import cv2#绘制曲线
def gamma_plot(c, v):x = np.arange(0, 256, 0.01)y = c*x**vplt.plot(x, y, 'r', linewidth=1)plt.rcParams['font.sans-serif']=['SimHei'] #正常显示中文标签plt.title('伽马变换函数')plt.xlabel('x')plt.ylabel('y')plt.xlim([0, 255]), plt.ylim([0, 255])plt.show()#伽玛变换
def gamma(img, c, v):lut = np.zeros(256, dtype=np.float32)for i in range(256):lut[i] = c * i ** voutput_img = cv2.LUT(img, lut) #像素灰度值的映射output_img = np.uint8(output_img+0.5)  return output_img#读取原始图像
img = cv2.imread('white.png')#绘制伽玛变换曲线
gamma_plot(0.00000005, 4.0)#图像灰度伽玛变换
output = gamma(img, 0.00000005, 4.0)#显示图像
cv2.imshow('Imput', img)
cv2.imshow('Output', output)
cv2.waitKey(0)
cv2.destroyAllWindows()

图13-6表示经过伽玛变换处理后的效果图,伽马变换对于图像对比度偏低,并且整体亮度值偏高(或由于相机过曝)情况下的图像增强效果明显。

对应的伽马变换曲线如图13-7所示,其中x表示原始图像的灰度值,y表示伽马变换之后的目标灰度值。


四.总结

本文主要讲解图像灰度非线性变换,包括图像对数变换和伽马变换。其中,图像经过对数变换后,较暗区域的对比度将有所提升;而案例中经过伽玛变换处理的图像,整体亮度值偏高(或由于相机过曝)情况下的图像增强效果明显。这些图像处理方法能有效提升图像的质量,为我们提供更好地感官效果。

感谢在求学路上的同行者,不负遇见,勿忘初心。图像处理系列主要包括三部分,分别是:

祝大家新年快乐,虎年大吉,阖家幸福,万事如意,小珞珞给大家拜年了。亲情是真的很美,很治愈。希望小珞珞和他妈妈能开心每一天,全家人身体健康。小珞珞这小样子可爱极了,爱你们喔!

(By:娜璋之家 Eastmount 2022-03-09 夜于武汉 https://blog.csdn.net/Eastmount )

参考文献:

  • [1] 阮秋琦. 数字图像处理学(第3版)[M]. 北京:电子工业出版社,2008.
  • [2] 毛星云,冷雪飞. OpenCV3编程入门[M]. 北京:电子工业出版社,2015.
  • [3] Eastmount. [数字图像处理] 三.MFC实现图像灰度、采样和量化功能详解[EB/OL]. (2015-05-28). https://blog.csdn.net/eastmount/article/details/46010637.
  • [4] Eastmount. [Python图像处理] 十六.图像的灰度非线性变换之对数变换、伽马变换[EB/OL]. ( 2019-03-31). https://blog.csdn.net/Eastmount/article/details/88929290.

[Python从零到壹] 四十五.图像增强及运算篇之图像灰度非线性变换详解相关推荐

  1. [Python从零到壹] 四十九.图像增强及运算篇之顶帽运算和底帽运算

    欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...

  2. [Python从零到壹] 四十八.图像增强及运算篇之形态学开运算、闭运算和梯度运算

    欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...

  3. [Python从零到壹] 五十九.图像增强及运算篇之图像锐化Scharr、Canny、LOG实现边缘检测

    欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...

  4. [Python从零到壹] 五十八.图像增强及运算篇之图像锐化Sobel、Laplacian算子实现边缘检测

    欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...

  5. [Python从零到壹] 五十五.图像增强及运算篇之图像平滑(均值滤波、方框滤波、高斯滤波)

    又是一年1024,首先,祝大家节日快乐! 欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界 ...

  6. [Python从零到壹] 五十二.图像增强及运算篇之图像掩膜直方图和HS直方图

    欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...

  7. [Python从零到壹] 五十一.图像增强及运算篇之图像灰度直方图对比分析万字详解

    欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...

  8. [Python从零到壹] 六十.图像识别及经典案例篇之基于阈值及边缘检测的图像分割

    欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...

  9. [Python从零到壹] 三十五.图像处理基础篇之OpenCV绘制各类几何图形

    欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...

最新文章

  1. 20191022 二 英文面试模板
  2. python x 0b1011_PAT 1011 A+B和C (15)(C++JAVAPython)
  3. 扑克牌中Q的各种叫法
  4. BS4xpath的使用
  5. 汇编——NT中读取MBR内容
  6. java web前后台交互_前后端交互(javaweb)
  7. [leetcode]617.合并二叉树
  8. 【送书福利】第一次送书活动(总共10本)
  9. 【毕业答辩】如何做出90分的毕业答辩PPT?
  10. 2018-2019-1 20165204 实验三 实时系统
  11. 基于移动最小二乘的图像变形
  12. 如何设置电脑自动锁屏_MIUI第415期:新增智能显示锁屏通知、状态栏数字电量外显...
  13. 好用的服务器终端,推荐7款超级好用的终端工具 —— SSH+FTP
  14. 优秀的Allegro Skill推荐
  15. 使用驱动器中的光盘之前需要将其格式化怎么办,使用驱动器中的光盘之前需要将其格式化寻回方法
  16. 回首来时路——李天岩
  17. 5分钟学会图片优化 之 七伤拳
  18. 单例模式实现负载均衡器案例
  19. flutter flutter_screenutil Looking up a deactivated widget‘s ancestor is unsafe.
  20. Telemetry 技术概述

热门文章

  1. 电商网站秒杀系统如何设计
  2. 【御剑问情】外网手工外网端+游戏后台
  3. Windows Mac上搭建个人云盘——kiftd开源网盘系统
  4. Ubuntu切换窗口,快速返回桌面
  5. Librosa音频处理(二)
  6. 计算机丢失fine,FineRecovery(文件恢复删除)4.29
  7. windows 命令 系统快捷方式
  8. 基于遥感影像的变化检测数据集
  9. mysql性能问题小解 Converting HEAP to MyIsam create_myisa
  10. python基础-异常处理try-except