使用python编写了共六种图像增强算法：

1)基于直方图均衡化

2)基于拉普拉斯算子

3)基于对数变换

4)基于伽马变换

5)限制对比度自适应直方图均衡化：CLAHE

6)retinex-SSR

7)retinex-MSR其中，6和7属于同一种下的变化。

将每种方法编写成一个函数，封装，可以直接在主函数中调用。

采用同一幅图进行效果对比。

图像增强的效果为：

直方图均衡化:对于对比度较低的图像而言,可以采用直方图均衡化的手段来提升其细节表现.

拉普拉斯算子可以增强局部的图像对比度

log对数变换可用于针对整体亮度较低且对比度不足的图像进行增强处理，并能表现出良好的效果

Gamma变换在图像对比度不足且全局平均亮度过高的情况下（如相机过曝），能够显著提升图像质量

CLAHE和retinex的效果均较好

python代码为：

图像增强算法，图像锐化算法

基于图像直方图均衡化处理 1) 基于拉普拉斯边缘检测运算 2) 基于对数域图像增强 3) 基于伽马校正增强处理 4) 全局直方图均衡化增强处理 5) 基于斯托尔算法的去雾方法 6) 基于多尺度分解的去雾算法 7) 基于多尺度分解的去雾算法

其中，基于拉普拉斯算子的图像增强为利用空域卷积运算实现滤波

基于同一图像对比增强效果

直方图均衡化:低对比度图像适用直方图均衡化方法以提升图像细节质量

拉普拉斯算子可以增强局部的图像对比度

对数处理对于图像的整体亮度较低以及整体对比度较低的增强效果表现出良好的效果

伽马变换在其适用的情况下能够有效地提升图像对比度：即其适用于图像对比度不足且整体亮度值过高（常见于相机过曝）的情况。

import cv2

import numpy as np

import matplotlib.pyplot as plt

直方图均衡增强

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

对数变换

def log(image):

image_log = np.uint8(np.log(np.array(image) + 1))

cv2.normalize(image_log, image_log, 0, 255, cv2.NORM_MINMAX)

转换成8bit图像显示

cv2.convertScaleAbs(image_log, image_log)

return image_log

伽马变换

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

限制对比度自适应直方图均衡化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")

直方图均衡增强

image_equal_clo = hist(image)

plt.subplot(4, 2, 2)

plt.imshow(image_equal_clo)

plt.axis("off")

plt.title("equal_enhance")

拉普拉斯算法增强

image_lap = laplacian(image)

plt.subplot(4, 2, 3)

plt.imshow(image_lap)

plt.axis("off")

plt.title("laplacian_enhance")

LoG对象算法增强

image_log = log(image)

plt.subplot(4, 2, 4)

plt.imshow(image_log)

plt.axis("off")

plt.title("log_enhance")

伽马变换

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()

增强效果如下图所示：

至此,本文深入探讨了Python图像增强算法的具体实现方法,并对其应用前景进行了展望。如需获取更多相关知识,请访问云海天教程之前的文章链接或继续查看本系列的后续内容。期待未来有更多朋友能够关注并支持云海天教程！