文章目录
前言
在数字图像处理领域，图像亮度的调整是一项基本且至关重要的技术。它不仅关系到图像的视觉效果，而且在许多实际应用中，如医疗影像分析、卫星遥感监测、视频监控系统等，都扮演着关键角色。同态滤波作为一种经典的图像增强技术，因其独特的优势而在众多亮度提升方法中脱颖而出。
本文旨在探讨基于同态滤波的图像亮度提升技术。同态滤波技术不仅能够有效地改善图像的亮度，还能同时增强图像的对比度，使图像细节更加清晰。通过对同态滤波原理的深入剖析，我们将探讨如何利用这一技术实现图像亮度的优化
一、同态滤波
同态滤波（Homomorphic Filtering）是一种广泛应用于信号和图像处理的技术。它的核心思想是将非线性问题转化为线性问题处理，从而简化复杂运算。这一概念最初在1960年代由麻省理工学院的Thomas Stockham、Alan V. Oppenheim和Ronald W. Schafer提出。
在同态滤波中，原始信号通过非线性映射转换到可以使用线性滤波器的不同域，完成运算后再映射回原始域。这种处理方式保持了信号的相关属性不变，将复杂的非线性运算转化为相对简单的线性运算。
在图像处理中，同态滤波特别有用。它可以改善图像的质量，特别是在处理动态范围大但暗区细节不清的图像时。同态滤波通过将图像的照度分量（illumination）和反射分量（reflectance）分离，使用线性滤波方法来提升图像的对比度和亮度。
具体步骤包括：
- 读取图像：获取需要处理的图像数据。
- 取对数：对图像的每个像素值取对数，将乘性噪声转换为加性噪声。
- 傅里叶变换：对对数变换后的图像进行傅里叶变换，将其转换到频域。
- 设计滤波器：根据需求设计一个合适的频域滤波器，通常是高通滤波器，以增强图像的细节。
- 应用滤波器：在频域中，将设计的滤波器与图像的傅里叶变换结果相乘。
- 逆傅里叶变换：对滤波后的频域图像进行逆傅里叶变换，得到空间域中的滤波结果。
- 取指数：对逆傅里叶变换的结果进行指数运算，以恢复图像的原始亮度范围。
- 调整图像：根据需要对滤波后的图像进行对比度、亮度等调整，以优化视觉效果。
二、算法实现
可以通过修改rh，和rl的数值选择是提亮图片的亮度。
代码如下（示例）：
python
import cv2
import numpy as np
def homomorphic_filtering_channel(channel, d0=10, rh=2, rl=0.5, c=1):
# 将图像通道转换为浮点类型并归一化到[0, 1]
img_float32 = np.float32(channel) / 255.0
# 对图像取对数
log_img = np.log1p(img_float32)
# 傅里叶变换
fft_img = np.fft.fft2(log_img)
# 中心化傅里叶变换
fft_shift = np.fft.fftshift(fft_img)
# 构建滤波器
M, N = channel.shape
u, v = np.meshgrid(np.arange(N), np.arange(M))
D = np.sqrt((u - N / 2) ** 2 + (v - M / 2) ** 2)
H = (rh - rl) * (1 - np.exp(-c * (D ** 2 / d0 ** 2))) + rl
# 应用滤波器
filtered_fft = H * fft_shift
# 逆傅里叶变换
ifft_shift = np.fft.ifftshift(filtered_fft)
ifft_img = np.fft.ifft2(ifft_shift)
# 取指数
exp_img = np.expm1(ifft_img)
# 归一化到[0, 255]并转换为uint8
final_img = np.uint8(np.clip(exp_img * 255, 0, 255))
return final_img
def homomorphic_filtering(image, d0=10, rh=3, rl=3, c=1, gamma=0.5):
# 分离颜色通道
channels = cv2.split(image)
# 对每个颜色通道应用同态滤波
filtered_channels = [homomorphic_filtering_channel(ch, d0, rh, rl, c, gamma) for ch in channels]
# 合并颜色通道
filtered_image = cv2.merge(filtered_channels)
return filtered_image
# 读取彩色图像
image = cv2.imread(r'C:\Users\zhw\Downloads\mmagic-main\1724658439609.png')
# 应用同态滤波
filtered_image = homomorphic_filtering(image)
# 显示原始图像和滤波后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Homomorphic Filtered Image', filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()效果：
