[Python图像处理] 十六.图像的灰度非线性变换之对数变换、伽马变换 - 网安

一.图像灰度非线性变换：DB=DA×DA/255

图像的灰度非线性变换主要包括对数变换、幂次变换、指数变换、分段函数变换，通过非线性关系对图像进行灰度处理，下面主要讲解三种常见类型的灰度非线性变换。

原始图像的灰度值按照DB=DA×DA/255的公式进行非线性变换，其代码如下：

# -*- coding: utf-8 -*-import cv2  import numpy as np  import matplotlib.pyplot as plt
#读取原始图像img = cv2.imread('miao.png')
#图像灰度转换grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#获取图像高度和宽度height = grayImage.shape[0]width = grayImage.shape[1]
#创建一幅图像result = np.zeros((height, width), np.uint8)
#图像灰度非线性变换：DB=DA×DA/255for i in range(height):    for j in range(width):        gray = int(grayImage[i,j])*int(grayImage[i,j]) / 255        result[i,j] = np.uint8(gray)
#显示图像cv2.imshow("Gray Image", grayImage)cv2.imshow("Result", result)
#等待显示cv2.waitKey(0)cv2.destroyAllWindows()

图像灰度非线性变换的输出结果下图所示：

二.图像灰度对数变换

图像灰度的对数变换一般表示如公式所示：

其中c为尺度比较常数，DA为原始图像灰度值，DB为变换后的目标灰度值。如下图所示，它表示对数曲线下的灰度值变化情况。

由于对数曲线在像素值较低的区域斜率大，在像素值较高的区域斜率较小，所以图像经过对数变换后，较暗区域的对比度将有所提升。这种变换可用于增强图像的暗部细节，从而用来扩展被压缩的高值图像中的较暗像素。

对数变换实现了扩展低灰度值而压缩高灰度值的效果，被广泛地应用于频谱图像的显示中。一个典型的应用是傅立叶频谱，其动态范围可能宽达0～106直接显示频谱时，图像显示设备的动态范围往往不能满足要求，从而丢失大量的暗部细节；而在使用对数变换之后，图像的动态范围被合理地非线性压缩，从而可以清晰地显示。在下图中，未经变换的频谱经过对数变换后，增加了低灰度区域的对比度，从而增强暗部的细节。

下面的代码实现了图像灰度的对数变换。

# -*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as pltimport cv2
#绘制曲线def log_plot(c):    x = np.arange(0, 256, 0.01)    y = c * np.log(1 + x)    plt.plot(x, y, 'r', linewidth=1)    plt.rcParams['font.sans-serif']=['SimHei'] #正常显示中文标签    plt.title(u'对数变换函数')    plt.xlim(0, 255), plt.ylim(0, 255)    plt.show()
#对数变换def log(c, img):    output = c * np.log(1.0 + img)    output = np.uint8(output + 0.5)    return output
#读取原始图像img = cv2.imread('test.png')
#绘制对数变换曲线log_plot(42)
#图像灰度对数变换output = log(42, img)
#显示图像cv2.imshow('Input', img)cv2.imshow('Output', output)cv2.waitKey(0)cv2.destroyAllWindows()

下图表示经过对数函数处理后的效果图，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。

对应的对数函数曲线如图

三.图像灰度伽玛变换

伽玛变换又称为指数变换或幂次变换，是另一种常用的灰度非线性变换。图像灰度的伽玛变换一般表示如公式所示：

当γ>1时，会拉伸图像中灰度级较高的区域，压缩灰度级较低的部分。
当γ<1时，会拉伸图像中灰度级较低的区域，压缩灰度级较高的部分。
当γ=1时，该灰度变换是线性的，此时通过线性方式改变原图像。

Python实现图像灰度的伽玛变换代码如下，主要调用幂函数实现。

# -*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as pltimport cv2
#绘制曲线def gamma_plot(c, v):    x = np.arange(0, 256, 0.01)    y = c*x**v    plt.plot(x, y, 'r', linewidth=1)    plt.rcParams['font.sans-serif']=['SimHei'] #正常显示中文标签    plt.title(u'伽马变换函数')    plt.xlim([0, 255]), plt.ylim([0, 255])    plt.show()
#伽玛变换def gamma(img, c, v):    lut = np.zeros(256, dtype=np.float32)    for i in range(256):        lut[i] = c * i ** v    output_img = cv2.LUT(img, lut) #像素灰度值的映射    output_img = np.uint8(output_img+0.5)      return output_img
#读取原始图像img = cv2.imread('test.png')
#绘制伽玛变换曲线gamma_plot(0.00000005, 4.0)
#图像灰度伽玛变换output = gamma(img, 0.00000005, 4.0)
#显示图像cv2.imshow('Imput', img)cv2.imshow('Output', output)cv2.waitKey(0)cv2.destroyAllWindows()

下图表示经过伽玛变换处理后的效果图，伽马变换对于图像对比度偏低，并且整体亮度值偏高（或由于相机过曝）情况下的图像增强效果明显。

对应的幂律函数曲线如图所示。

四.总结

写到这里，这篇文章就介绍结束。希望文章对大家有所帮助，如果有错误或不足之处，还请海涵。文章写于连续奔波考博，经历的事情太多，有喜有悲，需要改变自己好好对家人，也希望读者与我一起加油。