python 图像增强算法实现详解

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:对比度较低的图像适合使用直方图均衡化方法来增强图像细节
拉普拉斯算子可以增强局部的图像对比度
log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
伽马变换对于图像对比度偏低，并且整体亮度值偏高（对于相机过曝）情况下的图像增强效果明显
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
# 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)CLAHE 6)retinex-SSR 7)retinex-MSR
# 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:对比度较低的图像适合使用直方图均衡化方法来增强图像细节
# 拉普拉斯算子可以增强局部的图像对比度
# log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
# 伽马变换对于图像对比度偏低，并且整体亮度值偏高（对于相机过曝）情况下的图像增强效果明显

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：

来源：https://blog.csdn.net/Wadewhl/article/details/112918863