基于Python的图像增强技术-Python教程-PHP中文网

让我通过一些理论术语来开始本教程。当我们谈论图像增强时，这基本上意味着我们想要一个比原始图像更合适的新版本图像。

例如，当您扫描文档时，输出图像的质量可能低于原始输入图像的质量。因此，我们需要一种方法来提高输出图像的质量，以便它们在视觉上对观看者来说更具表现力，这就是图像增强发挥作用的地方。当我们增强图像时，我们所做的是锐化图像的特征，例如对比度和边缘。

需要注意的是，图像增强不会增加图像的信息内容，而是增加所选特征的动态范围，最终提高图像的质量。因此，在这里我们实际上不知道输出图像会是什么样子，但我们应该能够（主观地）判断是否有任何改进，例如观察输出图像中的更多细节。

图像增强通常用作数字图像处理（即分割、表示）所涉及的基本步骤中的预处理步骤。图像增强的技术有很多，但我将在本教程中介绍两种技术：图像逆和幂律变换。我们将看看如何在 Python 中实现它们。让我们开始吧！

图像反转

正如您可能从本节的标题中猜到的那样（也可以称为图像求反），图像反转的目的是将输入图像中的暗强度转换为图像中的亮强度。输出图像，以及输入图像中的亮强度到输出图像中的暗强度。换句话说，暗的区域变得更亮，亮的区域变得更暗。

假设 I(i,j) 指的是位于 (i,j) 处的像素的强度值。这里澄清一下，灰度图像中的强度值落在 [0,255] 范围内，而 (i,j) 指的是行和列值，分别。当我们对灰度图像应用图像逆运算符时，输出像素 O(i,j) 值为：

O(i,j) = 255 - I(i,j)

现在，我们的大多数图像都是彩色图像。这些图像包含三个通道：红色、绿色和蓝色，称为 RGB 图像。在这种情况下，与上面的公式相反，我们需要从 255 中减去每个通道的强度。因此输出图像在像素 (i ,j):

O_R(i,j) = 255 - R(i,j)
O_G(i,j) = 255 - G(i,j)
O-B)i,j) = 255 - B(i,j)

介绍完之后，我们来看看如何在 Python 中实现图像逆运算符。我想提一下，为了简单起见，我将在灰度图像上运行该运算符。但我会给您一些关于在彩色图像上应用该运算符的想法，并且我会将完整的程序留给您作为练习。

对于彩色图像，您需要做的第一件事是提取每个像素通道（即 RGB）强度值。为此，您可以使用 Python 成像库 (PIL)。继续从 baboon.png 下载示例狒狒图像。图像的大小为 500x500。假设您要提取位于像素位置 (325, 432) 处的红色、绿色和蓝色强度值。这可以按如下方式完成：

from PIL import Image

im = Image.open('baboon.png')
print(im.getpixel((325,432)))

根据文档，方法 getpixel() 的作用是：

返回给定位置的像素值。

运行上面的脚本后，你会发现你只得到以下结果：138！但是三个通道的 (RGB) 强度值在哪里？问题似乎与正在读取的图像的 mode 有关。通过运行以下语句检查模式：

print(im.mode)

您将得到输出 P，这意味着图像是在调色板模式下读取的。您可以做的一件事是在返回不同通道的强度值之前将图像转换为 RGB 模式。为此，您可以使用 convert() 方法，如下所示：

rgb_im = im.convert('RGB')

在这种情况下，您将得到以下返回值：(180, 168, 178)。这意味着红色、绿色和蓝色通道的强度值分别为 180、168 和 178。

将我们迄今为止描述的所有内容放在一起，返回图像 RGB 值的 Python 脚本如下所示：

from PIL import Image

im = Image.open('baboon.png')
rgb_im = im.convert('RGB')
print(rgb_im.getpixel((325,432)))

在继续进行图像逆算子之前还剩一点。上面的示例展示了如何仅检索一个像素的RGB值，但在执行逆运算符时，您需要对所有像素执行该操作。

要打印每个像素的不同通道的所有强度值，您可以执行以下操作：

from PIL import Image

im = Image.open('baboon.png')
rgb_im = im.convert('RGB')
width, height = im.size

for w in range(width):
    for h in range(height):
		print(rgb_im.getpixel((w,h)))

此时，我将把它作为练习，让您了解如何在每个像素的所有彩色图像通道（即 RGB）上应用图像逆运算符。

让我们看一个在灰度图像上应用图像逆运算符的示例。继续下载boat.png，它将作为我们在本节中的测试图像。它看起来像这样：

我将使用 numpy 库来完成此任务。在上面的图像上应用图像逆运算符的 Python 脚本应如下所示：

import cv2
import numpy as np
from PIL import Image
img = Image.open('boat.png')
array_img = np.array(img)
image_invert = np.invert(array_img)
cv2.imwrite('new_boat.jpg', image_invert)

Numpy 是一个用于使用 Python 进行科学计算的 Python 包。 OpenCV-Python 是一个旨在解决计算机视觉问题的库。 OpenCV-Python 与 numpy 捆绑在一起，因此如果先安装 OpenCV-Python，则无需安装 numpy。我们首先用 Pillow 打开图像，然后将其转换为 numpy 数组。

然后我们使用numpy的invert()函数将图像反转并保存新的反转图像。 invert() 函数会将白色转换为黑色，反之亦然。

下面左边是原始图像，右边是新反转的图像。

请注意，应用该运算符后，图像的某些特征变得更加清晰。例如，看看右侧图像中的云彩和灯塔。

幂律变换

这个算子，也称为伽马校正，是我们可以用来增强图像的另一个算子。让我们看看算子方程。在像素 (i,j) 处，运算符如下所示：

p(i,j) = kI(i,j)^gamma

I(i,j) 是图像位置处的强度值 (i,j); k 和 gamma 是正常数。我不会在这里讨论数学细节，但我相信您可以在图像处理书籍中找到该主题的详尽解释。但需要注意的是，在大多数情况下，k=1，所以我们主要是改变gamma的值。因此，上述方程可以简化为：

p(i,j) = I(i,j)^gamma

我将在这里使用 OpenCV 和 NumPy 库。如果您需要了解有关该库的更多信息，请查看我的教程 NumPy 简介。我们的测试图像将再次是boat.tiff（继续下载它）。

执行幂律变换运算符的 Python 脚本如下所示：

import cv2
import numpy as np

im = cv2.imread('boat.tiff')
im = im/255.0
im_power_law_transformation = cv2.pow(im,0.6)
cv2.imshow('Original Image',im)
cv2.imshow('Power Law Transformation',im_power_law_transformation)
cv2.waitKey(0)

请注意，我们选择的 gamma 值是 0.6。下图显示了原始图像以及对该图像应用幂律变换算子的结果（左图为原始图像，右图为应用幂律变换算子后的结果）。