OpenCV图像处理之常见的图像灰度变换

1.灰度线性变换

图像的灰度线性变换是图像灰度变换的一种,图像的灰度变换通过建立灰度映射来调整源图像的灰度,从而达到图像增强的目的。灰度映射通常是用灰度变换曲线来进行表示。通常来说,它是将图像的像素值通过指定的线性函数进行变换,以此来增强或者来减弱图像的灰度,灰度线性变换的函数就是常见的线性函数。

g(x, y) = k · f(x, y) + d

设源图像的灰度值为x,则进行灰度线性变换后的灰度值为y = kx + b (0<=y<=255),下面分别来讨论k的取值变化时线性变换的不同效果

(1).|k|>1时

当k>1时,可以用来增加图像的对比度,图像的像素值在进行变换后全部都线性方法,增强了整体的显示效果,且经过这种变换后,图像的整体对比度明显增大,在灰度图中的体现就是变换后的灰度图明显被拉伸了。

(2).|k|=1时

当k=1时,这种情况下常用来调节图像的亮度,亮度的调节就是让图像的各个像素值都增加或是减少一定量。在这种情况下可以通过改变d值来达到增加或者是减少图像亮度的目的。因为当k=1,只改变d值时,只有图像的亮度被改变了,d>0时,变换曲线整体发生上移,图像的亮度增加,对应的直方图整体向右侧移动,d<0时,变换曲线整体下移,图像的亮度降低,对应的直方图发生水平左移。

(3).0<|k|<1时

此时变换的效果正好与k>1时相反,即图像的整体对比度和效果都被削减了,对应的直方图会被集中在一段区域上。k值越小,图像的灰度分布也就越窄,图像看起来也就显得越是灰暗。

(4).k<0时

在这种情况下,源图像的灰度会发生反转,也就是原图像中较亮的区域会变暗,而较暗的区域将会变量。特别的,此时我们令k = -1,d = 255,可以令图像实现完全反转的效果。对应的直方图也会发生相应的变化。

相应的程序试下如下:

//实现图像的灰度线性变化

#include <iostream>

#include <opencv2\core\core.hpp>

#include <opencv2\highgui\highgui.hpp>

#include <opencv2\imgproc\imgproc.hpp>

using namespace std;

using namespace cv;

int main()

{

Mat srcImg = imread("1234.jpg");

if (!srcImg.data)

{

cout << "读入图片失败" << endl;

return -1;

}

imshow("原图像", srcImg);

double k, b;

cout << "请输入k和b值:";

cin >> k >> b;

int RowsNum = srcImg.rows;

int ColsNum = srcImg.cols;

Mat dstImg(srcImg.size(), srcImg.type());

//进行遍历图像像素,对每个像素进行相应的线性变换

for (int i = 0; i < RowsNum; i++)

{

for (int j = 0; j < ColsNum; j++)

{

//c为遍历图像的三个通道

for (int c = 0; c < 3; c++)

{

//使用at操作符,防止越界

dstImg.at<Vec3b>(i, j)[c] = saturate_cast<uchar>

(k* (srcImg.at<Vec3b>(i, j)[c]) + b);

}

}

}

imshow("线性变换后的图像", dstImg);

waitKey();

return 0;

}

当k=1.2,b=50时 执行程序的效果如下:

2.灰度对数变换

对数变换的基本形式为

其中,b是一个常数,用来控制曲线的弯曲程度,其中,b越小越靠近y轴,b越大越靠近x轴。表达式中的x是原始图像中的像素值,y是变换后的像素值,可以分析出,当函数自变量较低时,曲线的斜率很大,而自变量较高时,曲线的斜率变得很小。正是因为对数变换具有这种压缩数据的性质,使得它能够实现图像灰度拓展和压缩的功能。即对数变换可以拓展低灰度值而压缩高灰度级值,让图像的灰度分布更加符合人眼的视觉特征。例如进行傅里叶变换后的图像,图像中心绝对高灰度值的存在压缩了低灰度部分的动态范围,所以无法在现实的时候便显出原油的细节。这时就需要使用一个对数变换来对结果图像进行修正,经过适当的处理后,原始图像中低灰度区域的对比度将会增加,暗部细节将被增强。 

使用程序进行实现如下:

//实现图像的对数变换,作用是压缩图像较亮区域的动态范围

//使用不同的方法实现图像的对数变换

//基本公式为 y = clog(1+r)

#include <iostream>

#include <opencv2\core\core.hpp>

#include <opencv2\highgui\highgui.hpp>

#include <opencv2\imgproc\imgproc.hpp>

using namespace std;

using namespace cv;

int main()

{

Mat srcImage = imread("1234.jpg",0);

if (!srcImage.data)

{

cout << "读入图片错误~" << endl;

return -1;

}

double c;

cout << "请输入常数c:";

cin >> c;

Mat srcImage1(srcImage);

imshow("原图像", srcImage);

Mat dstImage1(srcImage.size(), srcImage.type());

Mat dstImage2 = dstImage1.clone();

Mat dstImage3 = dstImage1.clone();

//使用第一种方法进行对数变换,对图像整体进行操作

//首先计算 1+r,注意,是对每一个像素点都进行加1操作

add(srcImage, Scalar(1.0), srcImage1);

//转换为32位的浮点数

srcImage1.convertTo(srcImage1, CV_32F);

//计算log(1+r)

log(srcImage1, dstImage1);

dstImage1 = c * dstImage1;

//进行归一化处理

normalize(dstImage1, dstImage1, 0, 255, NORM_MINMAX);

//convertScaleAbs:先缩放元素再取绝对值,最后转换格式为8bit型

//在这里不具有缩放功能,作用仅为将格式转换为8bit型

convertScaleAbs(dstImage1, dstImage1);

imshow("对数变换图像1", dstImage1);

/////////////////////////////////////////////////////////////

//使用第二种方法进行图像的对数变换,对图像的像素进行遍历

double temp = 0.0;

for (int i = 0; i < srcImage.rows; i++)

{

for (int j = 0; j < srcImage.cols; j++)

{

temp = (double)srcImage.at<uchar>(i, j);

temp = c*log((double)(1 + temp));

dstImage2.at<uchar>(i, j) = saturate_cast<uchar>(temp);

}

}

//进行归一化处理

normalize(dstImage2, dstImage2, 0, 255, NORM_MINMAX);

convertScaleAbs(dstImage2, dstImage2);

imshow("对数变换图像2", dstImage2);

//////////////////////////////////////////////////////////////

//使用第三种方法进行图像的对数变换

//首先进行图像类型转换

srcImage.convertTo(dstImage3, CV_32F);

//图像矩阵元素进行加1操作

dstImage3 = dstImage3 + 1;

//图像对数操作

cv::log(dstImage3, dstImage3);

dstImage3 = c*dstImage3;

//图像进行归一化操作

normalize(dstImage3, dstImage3, 0, 255, NORM_MINMAX);

convertScaleAbs(dstImage3, dstImage3);

imshow("对数变换图像3", dstImage3);

waitKey();

return 0;

}

当c取1时,效果如下:

3.灰度幂次变换与Gamma校正

基于幂次变换的Gamma校正是图像处理中一种非常重要的非线性变换,它与对数变换相反,它是对输入图像的灰度值进行指数变换,进而校正亮度上的偏差。通常Gamma校正长应用于拓展暗调的细节。通常来讲,当Gamma校正的值大于1时,图像的高光部分被压缩而暗调部分被扩展;当Gamma校正的值小于1时,相反的,图像的高光部分被扩展而暗调备份被压缩。

通常情况下,最简单的Gamma校正可以用下面的幂函数来表示:

其中A是常数,函数的输入和输出都是非负数,当r=1时,为直线变换;当r<1时,低灰度区域动态范围扩大,进而图像对比度增强,高灰度值区域动态范围减小,图像对比度降低,图像整体灰度值增大,此时与图像的对数变换类似。当r>11时,低灰度区域的动态范围减小进而对比度降低,高灰度区域动态范围扩大,图像的对比度提升,图像的整体灰度值变小,Gamma校正主要应用在图像增强。目标检测和图像分析等不同的领域。

总之,r<1的幂函数的作用是提高图像暗区域中的对比度,而降低亮区域的对比度;r>1的幂函数的作用是提高图像中亮区域的对比度,降低图像中按区域的对比度。

所以,对于灰度级整体偏暗的图像,可以使用r<1的幂函数增大动态范围。对于灰度级整体偏亮的图像,可以使用r>1的幂函数增大灰度动态范围。

下面使用程序进行简单的Gamma变换:

//幂次变换与Gamma灰度校正

#include <iostream>

#include <opencv2\core\core.hpp>

#include <opencv2\highgui\highgui.hpp>

#include <opencv2\imgproc\imgproc.hpp>

using namespace std;

using namespace cv;

Mat GammaTrans(Mat &srcImag, float parameter);

int main()

{

Mat srcImage = imread("1234.jpg", 0);

if (!srcImage.data)

{

cout << "读入图片失败!" << endl;

return -1;

}

imshow("原始图像", srcImage);

//初始化几组不同的参数

float parameter1 = 0.3;

float parameter2 = 3.0;

Mat dstImage1 = GammaTrans(srcImage, parameter1);

imshow("参数1下的Gamma变换", dstImage1);

Mat dstImage2 = GammaTrans(srcImage, parameter2);

imshow("参数2下的Gamma变换", dstImage2);

waitKey();

return 0;

}

Mat GammaTrans(Mat &srcImag, float parameter)

{

//建立查表文件LUT

unsigned char LUT[256];

for (int i = 0; i < 256; i++)

{

//Gamma变换定义

LUT[i] = saturate_cast<uchar>(pow((float)(i / 255.0), parameter)*255.0f);

}

Mat dstImage = srcImag.clone();

//输入图像为单通道时,直接进行Gamma变换

if (srcImag.channels() == 1)

{

MatIterator_<uchar>iterator = dstImage.begin<uchar>();

MatIterator_<uchar>iteratorEnd = dstImage.end<uchar>();

for (; iterator != iteratorEnd; iterator++)

*iterator = LUT[(*iterator)];

}

else

{

//输入通道为3通道时,需要对每个通道分别进行变换

MatIterator_<Vec3b>iterator = dstImage.begin<Vec3b>();

MatIterator_<Vec3b>iteratorEnd = dstImage.end<Vec3b>();

//通过查表进行转换

for (; iterator!=iteratorEnd; iterator++)

{

(*iterator)[0] = LUT[((*iterator)[0])];

(*iterator)[1] = LUT[((*iterator)[1])];

(*iterator)[2] = LUT[((*iterator)[2])];

}

}

return dstImage;

}

4.分段线性变换

分段线性变换也是一种重要的灰度级变换。对于曝光不足,曝光过度和传感器动态范围都会造成图像表现出低对比度的特征。分段线性变换的作用是提高图像灰度级的动态范围。通常来说,通过阶段一定比例的最亮像素和最暗像素,并使得中间亮度像素占有整个灰度级,因而能够提高图像的全局对比度。在这种情况下,通常称之为对比度拉伸,直方图裁剪,目前广泛的应用于图像后期处理中。通常使用分段函数来实现。下面先简单介绍一下对比度拉伸技术。

图像的对比度拉伸是通过扩展图像灰度级动态范围来实现的,它可以扩展对应的全部灰度范围。图像的低对比度一般是由于图像图像成像亮度不够、成像元器件参数限制或设置不当造成的。提高图像的对比度可以增强图像各个区域的对比效果,对图像中感兴趣的区域进行增强,而对图像中不感兴趣的区域进行相应的抑制作用。对比度拉伸是图像增强中的重要的技术之一。这里设点(x1,y1)与(x2,y2)是分段线性函数中折点位置坐标。常见的三段式分段线性变换函数的公式如下:

其中k1=y1/x1,k2=(y2-y1)/(x2-x1),k3=(255-y2)/(255-y1)

需要注意的是,分段线性一般要求函数是单调递增的,目的是防止图像中的灰度级不满足一一映射。

分段的灰度拉伸技术可以结合直方图处理技术,从而更加灵活地控制输出图像的直方图分布,对特定感兴趣的区域进行对比度调整,增强图像画质。对于图像灰度集中在较暗的区域,可以采用斜率k<0来进行灰度拉伸扩展;对于图像中较亮的区域,可以采用修了k<0来进行灰度拉伸压缩。

实现代码如下:

//实现对比度拉伸

#include <iostream>

#include <opencv2\core\core.hpp>

#include <opencv2\highgui\highgui.hpp>

#include <opencv2\imgproc\imgproc.hpp>

using namespace cv;

using namespace std;

int main()

{

Mat srcImage = imread("1234.jpg",0);

if (!srcImage.data)

{

cout << "读入图片错误!" << endl;

return -1;

}

imshow("原始图片", srcImage);

Mat dstImage(srcImage);

int rowsNum = dstImage.rows;

int colsNum = dstImage.cols;

//图像连续性判断

if (dstImage.isContinuous())

{

colsNum = colsNum*rowsNum;

rowsNum = 1;

}

//图像指针操作

uchar *pDataMat;

int pixMax = 0, pixMin = 255;

//计算图像像素的最大值和最小值

for (int j = 0; j < rowsNum; j++)

{

pDataMat = dstImage.ptr<uchar>(j);

for (int i = 0; i < colsNum; i++)

{

if (pDataMat[i]>pixMax)

pixMax = pDataMat[i];

if (pDataMat[i] < pixMin)

pixMin = pDataMat[i];

}

}

//进行对比度拉伸

for (int j = 0; j < rowsNum; j++)

{

pDataMat = dstImage.ptr<uchar>(j);

for (int i = 0; i < colsNum; i++)

{

pDataMat[i] = (pDataMat[i] - pixMin) * 255 / (pixMax - pixMin);

}

}

imshow("对比度拉伸后的图像", dstImage);

waitKey();

return 0;

}

执行后显示效果如下

5.灰度级分层

灰度级分层,也叫做灰度级切片,作用是在整个灰度级范围内将设定窗口内的灰度和其他部分分开。从而突出图像中具有一定灰度范围的区域。大体上来说,灰度级分层有两种类型,即:清除背景和保持背景。清除背景是将灰度窗口内的像素赋值为较亮的值,而其他部分赋值为较暗的值。经过这样的处理后产生的是二值图像,原图像的细节将全部丢失。而保持背景指的是将灰度窗口内的像素赋值为较亮的值,而其他部分的灰度保持不变。

相关代码如下:

//实现灰度级分层

#include <iostream>

#include <opencv2\core\core.hpp>

#include <opencv2\highgui\highgui.hpp>

#include <opencv2\imgproc\imgproc.hpp>

using namespace cv;

using namespace std;

int main()

{

Mat srcImage = imread("2345.jpg", 0);

if (!srcImage.data)

{

cout << "读入图片错误!" << endl;

return 0;

}

imshow("原图像", srcImage);

Mat dstImage = srcImage.clone();

int rowsNum = dstImage.rows;

int colsNum = dstImage.cols;

//图像连续性判断

if (dstImage.isContinuous())

{

colsNum *= rowsNum;

rowsNum = 1;

}

//图像指针操作

uchar *pDataMat;

int controlMin = 50;

int controlMax = 150;

//计算图像的灰度级分层

for (int j = 0; j < rowsNum; j++)

{

pDataMat = dstImage.ptr<uchar>(j);

for (int i = 0; i < colsNum; i++)

{

//第一种方法,二值映射

if (pDataMat[i]>controlMin)

pDataMat[i] = 255;

else

pDataMat[i] = 0;

//第二种方法:区域映射

//if (pDataMat[i] > controlMax && pDataMat[j] < controlMin)

// pDataMat[i] = controlMax;

}

}

imshow("灰度分层后的图像", dstImage);

waitKey();

return 0;

}

执行后效果图如下:

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。

以上是 OpenCV图像处理之常见的图像灰度变换 的全部内容, 来源链接: utcz.com/p/244497.html

回到顶部