圖像處理

圖像變換就是找到一個(gè)函數(shù),把原始圖像矩陣經(jīng)過函數(shù)處理后,轉(zhuǎn)換為目標(biāo)圖像矩陣.　　
可以分為兩種方式,即像素級(jí)別的變換和區(qū)域級(jí)別的變換

• Point operators (pixel transforms)
• Neighborhood (area-based) operators

像素級(jí)別的變換就相當(dāng)于\(p_{after}(i,j) = f(p_{before}(i,j))\),即變換后的每個(gè)像素值都與變換前的同位置的像素值有個(gè)函數(shù)映射關(guān)系.

對(duì)比度和亮度改變

線性變換　　

最常用的是線性變換．即\(g(i,j) = \alpha \cdot f(i,j) + \beta\)
f(i,j)是原像素值,g(i,j)是變換后的像素值.
\(\alpha\)調(diào)整對(duì)比度,\(\beta\)調(diào)整亮度.有時(shí)也稱之為gain和bias參數(shù).

對(duì)比度是什么？不就是"亮和暗的區(qū)別"嗎？也就是像素值的大小的區(qū)別．那我乘以一個(gè)alpha系數(shù),當(dāng)alpha很大的時(shí)候就是放大了這種亮度值的差異,也就是提高了對(duì)比度，當(dāng)alpha很小時(shí),也就是縮小了亮度的差異,也就是縮小了對(duì)比度.

beta就更好理解了,直接在像素的亮度值上加上一個(gè)數(shù),正數(shù)就是提高亮度,負(fù)數(shù)降低亮度.

看一下下面代碼的示例:

from __future__ import print_function
from builtins import input
import cv2 as cv
import numpy as np
import argparse
# Read image given by user
parser = argparse.ArgumentParser(description='Code for Changing the contrast and brightness of an image! tutorial.')
parser.add_argument('--input', help='Path to input image.', default='lena.jpg')
args = parser.parse_args()
image = cv.imread(cv.samples.findFile(args.input))
if image is None:
  print('Could not open or find the image: ', args.input)
  exit(0)
new_image = np.zeros(image.shape, image.dtype)
alpha = 1.0 # Simple contrast control
beta = 0  # Simple brightness control
# Initialize values
print(' Basic Linear Transforms ')
print('-------------------------')
try:
  alpha = float(input('* Enter the alpha value [1.0-3.0]: '))
  beta = int(input('* Enter the beta value [0-100]: '))
except ValueError:
  print('Error, not a number')
# Do the operation new_image(i,j) = alpha*image(i,j) + beta
# Instead of these 'for' loops we could have used simply:
# new_image = cv.convertScaleAbs(image, alpha=alpha, beta=beta)
# but we wanted to show you how to access the pixels :)
for y in range(image.shape[0]):
  for x in range(image.shape[1]):
    for c in range(image.shape[2]):
      new_image[y,x,c] = np.clip(alpha*image[y,x,c] + beta, 0, 255)
cv.imshow('Original Image', image)
cv.imshow('New Image', new_image)
# Wait until user press some key
cv.waitKey()

提示module 'cv2' has no attribute 'samples'的話要先安裝pip install opencv-python==4.0.0.21.

執(zhí)行:python change_brightness_contrast.py --input ./lights.jpeg

上圖是alpha=2,beta=20的一個(gè)效果圖.

非線性變換

線性變換有個(gè)問題,如上圖,α=1.3 and β=40,提高原圖亮度的同時(shí),導(dǎo)致云幾乎看不見了.如果要看見云的話,建筑的亮度又不夠.

這個(gè)時(shí)候就引入了非線性變換. 稱之為Gamma correction

\(O = \left( \frac{I}{255} \right)^{\gamma} \times 255\)

與線性變換不同,對(duì)不同的原始亮度值,其改變強(qiáng)度是不同的,是非線性的．

在 γ<1的時(shí)候,會(huì)提高圖片亮度．>1時(shí),降低亮度.

γ=0.4的變換效果圖如上.可以看到云層及建筑變亮的同時(shí)還保持了對(duì)比度讓圖像依然清晰.

如果查看不同變換下的灰度直方圖的話可以看到.中間是原圖的灰度直方圖,可以看到低亮度值的像素點(diǎn)很多.
左邊是做了線性變換的,整體直方圖產(chǎn)生了右移,并且在255處出現(xiàn)峰值.因?yàn)槊總€(gè)像素點(diǎn)都增加了亮度嘛.導(dǎo)致了白云和藍(lán)天過于明亮無法區(qū)分.

而右邊做了gamma校正的圖像亮度分布比較均勻,即使得低亮度值的部分得以加強(qiáng),又不至于過度曝光使得白云無法區(qū)分.

實(shí)現(xiàn)Gamma correction的代碼如下.

lookUpTable = np.empty((1,256), np.uint8)
  for i in range(256):
    lookUpTable[0,i] = np.clip(pow(i / 255.0, gamma) * 255.0, 0, 255)
  res = cv.LUT(img_original, lookUpTable)

其中cv.LUT就是個(gè)變換函數(shù).從lookUpTable里找到變換關(guān)系,生成新的圖像矩陣.https://docs.opencv.org/master/d2/de8/group__core__array.html

參考:https://docs.opencv.org/master/d3/dc1/tutorial_basic_linear_transform.html

總結(jié)

以上所述是小編給大家介紹的opencv調(diào)整圖像亮度對(duì)比度的示例代碼,希望對(duì)大家有所幫助，如果大家有任何疑問請給我留言，小編會(huì)及時(shí)回復(fù)大家的。在此也非常感謝大家對(duì)腳本之家網(wǎng)站的支持！
如果你覺得本文對(duì)你有幫助，歡迎轉(zhuǎn)載，煩請注明出處，謝謝！