计算机视觉全系列实战教程:(八)图像变换-点运算、灰度变换、直方图变换

图像变换:点运算、灰度变换、直方图变换

1.点运算

(1)What

通过点运算,输出图像的每个像素的灰度值仅仅取决于输入图像中相对应像素的灰度值。

(2)Why

点运算的作用:实现图像增强的常用方法之一

2.灰度变换

(1)What

灰度变换是一种点运算的具体形式,换句话说,灰度变换是点运算的一种运用

(2)Why(作用)

增强对比度,是增强图像的重要手段(途径)和方法

  • 改善图像的质量:显示更多细节,进行对比度拉伸
  • 突出感兴趣的特征:针对图像中感兴趣的区域进行突出或抑制

(3)Which(有哪些灰度变换)

核心:灰度变换函数的不同

  • A.线性灰度变换
    y = k * f(x) + b
    当k>1:对比度将增大
    当k<1:对比度将减小
    当k=1,b!=0:图像整体变亮或变暗
    当k=-1,b=255:图像灰度正好相反
    当k<0,b>0:暗区域变亮,亮区域变暗
  • B.分段线性灰度变换

确定分段函数的三个k值和b值即可实现分段灰度变换效果。

分段线性灰度变换的效果对参数的选取依赖很高,当参数选取不好的时候,不但无法实现增强图像的效果,还可能变得更加糟糕。为此实现自适应选取成为分段线性灰度变换的关键。目前常用的方法有:自适应最小误差法多尺度逼近方法

恒增强率方法等。

  • C.非线性变换-对数变换
    g(x) = c * log(1+f(x))
  • D.非线性变换-反对数变换
    g(x) = ( (f(x)+1)^r -1 ) / f(x)
  • E.非线性变换-幂律变换
    g(x) = c*f(x)^alpha

3.直方图修正

(1)直方图均衡化

复制代码
直方图均衡化可实现图像的自动增强,但效果不易控制,得到的是全局增强的结果
  • step01:统计每一个灰度级的数量
cpp 复制代码
// 统计输入图像的灰度级数量
std::vector<int> vNk(256, 0);
int iTotal = imDst.total();
for (int i = 0; i < imDst.total(); ++i)
{
	vNk[imDst.data[i]]++;
}
  • step02:求累积分布
cpp 复制代码
// 求累积分布函数
for (int i = 1; i < 256; ++i)
{
	vNk[i] = vNk[i] + vNk[i - 1];
}
  • step03:建立映射关系
cpp 复制代码
// 确定映射关系
std::vector<double> vMPk(256, 0.0);
for (int i = 0; i < 256; ++i)
{
	vMPk[i] = 255.0f * (double)vNk[i] / iTotal;
}
// 重新赋值实现均衡化
for (int i = 0; i < iTotal; ++i)
{
	imDst.data[i] = vMPk[imDst.data[i]];
}

代码汇总如下(可直接使用):

cpp 复制代码
/* 图像均衡化 */
int ImgEqualize(const cv::Mat& imSrc, cv::Mat& imDst) {
	// 对输入的数据进行可靠性判定
	if (imSrc.empty()) return -1;
	// 对输入图像进行灰度化处理
	if (imSrc.channels() == 3)
		cv::cvtColor(imSrc, imDst, cv::COLOR_RGB2GRAY);
	else imDst = imSrc;
	// 统计输入图像的灰度级数量
	std::vector<int> vNk(256, 0);
	int iTotal = imDst.total();
	for (int i = 0; i < imDst.total(); ++i)
	{
		vNk[imDst.data[i]]++;
	}
	// 求累积分布函数
	for (int i = 1; i < 256; ++i)
	{
		vNk[i] = vNk[i] + vNk[i - 1];
	}
	// 确定映射关系
	std::vector<double> vMPk(256, 0.0);
	for (int i = 0; i < 256; ++i)
	{
		vMPk[i] = 255.0f * (double)vNk[i] / iTotal;
	}
	// 重新赋值实现均衡化
	for (int i = 0; i < iTotal; ++i)
	{
		imDst.data[i] = vMPk[imDst.data[i]];
	}

}
相关推荐
麦麦麦造4 分钟前
有了 MCP,为什么Claude 还要推出 Skills?
人工智能·aigc·ai编程
jerryinwuhan7 分钟前
利用舵机实现机器人行走
人工智能·机器人
武子康9 分钟前
AI-调查研究-107-具身智能 强化学习与机器人训练数据格式解析:从状态-动作对到多模态轨迹标准
人工智能·深度学习·机器学习·ai·系统架构·机器人·具身智能
沫儿笙9 分钟前
KUKA库卡焊接机器人二氧化碳节气
人工智能·机器人
insight^tkk30 分钟前
【Docker】记录一次使用docker部署dify网段冲突的问题
运维·人工智能·docker·ai·容器
攻城狮7号33 分钟前
AI+大数据时代:如何从架构到生态重构时序数据库的价值?
大数据·人工智能·时序数据库·apache iotdb·sql大模型
智能化咨询39 分钟前
AI+大数据时代:时序数据库的生态重构与价值跃迁——从技术整合到行业落地
人工智能
paopaokaka_luck1 小时前
基于SpringBoot+Vue的社区诊所管理系统(AI问答、webSocket实时聊天、Echarts图形化分析)
vue.js·人工智能·spring boot·后端·websocket
工藤学编程1 小时前
零基础学AI大模型之RAG系统链路解析与Document Loaders多案例实战
人工智能
大千AI助手1 小时前
加权分位数直方图:提升机器学习效能的关键技术
人工智能·机器学习·xgboost·直方图·加权直方图·特征分裂