机器视觉初步5-2：图像增强专题

@作死星人

已于 2023-06-19 14:10:07 修改

阅读量2.7k

点赞数

CC 4.0 BY-SA版权

分类专栏：机器视觉探路之旅文章标签： python 计算机视觉开发语言 opencv

于 2023-06-19 11:29:57 首次发布

本文链接：https://blog.youkuaiyun.com/KHASIX/article/details/131281998

本文介绍了图像增强技术，包括直方图均衡化、锐化方法（如拉普拉斯算子、Robert算子和Sobel算子）以及对比度拉伸。提供了Halcon和Python的代码示例，用于实现这些图像处理技术，以提升图像质量和信息量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

图像增强是一种提高图像质量和信息量的技术，常用于图像处理、计算机视觉和机器学习中。常见的图像增强方法包括直方图均衡化、高斯滤波、锐化、对比度拉伸、图像平滑、图像锐化、图像滤波、图像金字塔等。

以下是一些常见的图像增强方法的示例代码，使用Halcon和Python实现。

1. 直方图均衡化

图像的灰度直方图就描述了图像中灰度分布情况，能够很直观的展示出图像中各个灰度级¹所占的多少。图像的灰度直方图是灰度级的函数，描述的是图像中具有该灰度级的像素的个数：其中，横坐标是灰度级，纵坐标是该灰度级出现的率。
直方图的性质：
① 直方图反映了图像中的灰度分布规律。它描述每个灰度级具有的像素个数，但不包含这些像素在图像中的位置信息。图像直方图不关心像素所处的空间位置，因此不受图像旋转和平移变化的影响，可以作为图像的特征。

② 任何一幅特定的图像都有唯一的直方图与之对应，但不同的图像可以有相同的直方图。

③如果一幅图像有两个不相连的区域组成，并且每个区域的直方图已知，则整幅图像的直方图是该两个区域的直方图之和。

在这里插入图片描述

Halcon代码：

* 使用全局直方图均衡化
gen_histogram_equalizer (HistogramEqualizer, 'image', 0, 255, 70)
* 使用局部直方图均衡化
gen_histogram_equalizer (HistogramEqualizer2, 'image', 0, 255, 70)
* 全局和局部直方图均衡化的区别在于映射函数的不同，全局映射函数将图像所有像素映射到整个像素空间，而局部映射函数将图像的每个子区域映射到像素空间。

Python代码

import cv2
import numpy as np

def histogram_equalizer(image):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    channels = cv2.split(gray)
    for channel in channels:
        hist = cv2.calcHist([channel], [0, 1], None, [256], [0, 256])
        cv2.normalize(hist, hist, 0, 255, cv2.NORM_MINMAX, -1)
    gray = cv2.merge(channels)
    return cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR)

image = cv2.imread('image.jpg')
equalized_image = histogram_equalizer(image)
cv2.imshow('Equalized image', equalized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像均衡化DEMO

import cv2
import numpy as np

def gray_to_intensity(image):
    h, w, c = image.shape
    intensity = np.zeros((h, w, c))
    for row in range(h):
        for col in range(w):
            intensity[row, col, 0] = image[row, col, 0]
            intensity[row, col, 1] = image[row, col, 1]
            intensity[row, col, 2] = image[row, col, 2]
    return intensity

def