OpenCV C++ 图像处理实战 ——《多尺度自适应Gamma矫正的低照图像增强》

最新推荐文章于 2025-05-27 13:45:03 发布
最新推荐文章于 2025-05-27 13:45:03 发布
阅读量1.1k 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： OpenCV图像处理、计算机视觉实战应用 文章标签： opencv c++ 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Zero___Chen/article/details/135536670
该博客介绍了如何使用OpenCV C++实现多尺度自适应Gamma矫正来增强低照度图像。通过HSI颜色空间转换、多尺度Retinex分解和自适应Gamma矫正，提升图像亮度和对比度，同时保持色彩自然。文章包含各步骤的功能源码，适用于低对比度图像的增强。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

OpenCV C++ 图像处理实战 ——《多尺度自适应Gamma矫正的低照图像增强》

一、结果演示

在这里插入图片描述
在这里插入图片描述

二、多尺度自适应Gamma矫正的低照度图像增强

为了在提高低照图像的亮度和对比度的同时，保持图像的色彩自然度，提出了多尺度自适应Gamma 矫正的低照图像增强方法。 鉴于 HSI 颜色空间的明度分量 I 决定着图像的明暗程度，以及明度分量的多尺度特性，首先，将图像转换到 HSI 颜色空间，对明度分量 I 进行多尺度 Retinex 分解；然后，对分解得到的多尺度光照图像分别进行自适应的 Gamma 矫正，其中 Gamma 指数自适应于暗区像素的占比，鲁棒地改善光照图像的光照分布，经 Retinex 反变换得到增强的多尺度明度分量；最后，将增强的多尺度明度分量的线性融合作为增强的明度分量 I’，与色相分量 H 和饱和度分量 S 重组，得到最后的增强图像。

在这里插入图片描述
读了上面这篇文章，实验

了解本专栏 订阅专栏 解锁全文
【全网独家】OpenCV C++ 图像处理实战 —— 多尺度自适应Gamma矫正的低照图像增强（代码+测试部署）
走向CTO的路上...
08-25 1236
多尺度自适应Gamma矫正是一种用于增强低照度图像的技术。这种方法通过调整图像的Gamma值，使得暗部区域变亮，同时保持亮部区域不被过度曝光，从而提升图像的整体视觉效果。多尺度自适应Gamma矫正算法通过分解图像成多个尺度并自适应地调整Gamma值，有效地增强了低照度图像的细节和对比度。该算法简单易行，且能在多种实际应用中表现出色。
OpenCV C++ 图像处理实战 ——《物体数量计数与尺寸测量》
Zero___Chen的博客
03-16 1509
本文使用OpenCV C++ 实现物体数量计数与尺寸测量，关键点如下1、图像成像质量不佳时会影响到后续的二值化分割，故我们需要对图像进行图像增强处理，可以多尝试几种不同的图像增强算法。2、图像二值化与形态学处理，这是物体轮廓提取的关键。这步处理得好，后续就可以简化很多步骤。3、轮廓提取。根据二值化轮廓特征，使用轮廓面积、周长、宽高比、圆形度、多边形近似等特征提取我们想要的轮廓。
OpenCV图像增强之对比度拉伸 C++
热门推荐
cyf15238622067的博客
02-19 1万+
下图是典型的对比度拉伸变换。点(r1,s1)和(r2,s2)的位置控制变换函数的形状。 如果r1=r2,s1=s2,则变换为一线性函数； 若r1=r2,s1=0且s2=L-1，则是阈值处理函数，产生一幅二值图像； 处理一幅8bit低对比度图像，(r1,s1)=(r_min,0),(r2,s2)=(r_max,L-1);其中r_min,r_max是图像中最小和最大灰度级； 因此，变换函数把灰度级由...
OpenCV CUDA模块图像处理------颜色空间处理之用于执行伽马校正（Gamma Correction）函数gammaCorrection()
最新发布
jndingxin的专栏
05-27 627
cv::cuda::gammaCorrection 是 OpenCV 的 CUDA 模块中用于执行伽马校正（Gamma Correction）的一个函数。伽马校正通常用于调整图像的亮度，使得图像在不同显示设备上能够正确显示。此函数可以在 GPU 上高效地执行该操作。
基于opencv的图像增强函数(c++)
05-20
基于opencv的图像增强函数，Demo用vc6.0实现。 如果您对安装opencv或在vc6.0下配置opencv有疑问，请访问opencv中文网站: http://www.opencv.org.cn/
C++版OpenCV_03_图像增强
qq_35732321的博客
07-21 452
图像增强
计算机视觉 - 图像增强应用实践 (基础篇）C++ OpenCV
weixin_56195993的博客
07-12 5952
1．熟悉图像的表示及基本元素、通道操作； 2．掌握基本图像增强方法； 3．掌握OpenCV计算机视觉库；
图像增强OpenCV+C++
qq_27353621的博客
12-15 5358
1、添加椒盐噪声 Mat addSaltNoise(const Mat srcImage, int n) { Mat dstImage = srcImage.clone(); for (int k = 0; k < n; k++) { //随机取值行列 int i = rand() % dstImage.rows; int j = rand() % dstImage.cols; //图像通道判定 if (dstImage.channels() == 1) {
图像增强 亮度恢复 亮度自适应增强 低亮度调整 *4【C++】
Jing_HJY的博客
01-03 1378
题目：分析图 3 所示的图像存在什么问题，请用 C 语言编程设计一种图像处理方法解决 该问题，给出算法的关键代码和实验结果。（20 分）该图像是一张彩色图像，但是人眼观察整体较暗，其原因是因为拍摄成像时光照不足，所以需要通过图像增强手段进行光照补足。
OpenCV图像处理与项目 Python
生活需要深度
07-03 880
【图像处理OpenCV(C++版)】——2.1 深入理解OpenCV之Mat类及相关成员函数。【图像处理OpenCV(C++版)】——2.2 OpenCV之矩阵运算详解(全)【图像处理OpenCV(C++版)】——5.3 图像平滑之均值平滑(滤波)【图像处理OpenCV(C++版)】——5.4 图像平滑之中值平滑(滤波)
基于Retinex的图像增强算法-Opencv-C++
10-25
一种常见图像增强算法，基于Retinex理论。本代码通过vs2015编译通过，Opencv3.1.0，C++
自适应伽马校正
01-07
光照影响图像的质量，弱光条件下获得的图像较暗，本代码采取自适应gamma校正算法，实现图像亮度的调整
低照度图像增强（opencv和C++）
10-18
低照度图像增强，opencv3.2+vs2017，C++代码。 针对全局较暗的图像能有很好的增强效果。 代码注释的很详细，也比较简单。 提供了两张图片以供测试。 若有问题，可以找我。
数据增强 —— 低亮度图像增强
qq_43199575的博客
01-24 546
因拍摄硬件和拍摄条件的限制，在某些情况下会存在低亮度的图像。无论是对标注还是算法都造成了困难。在标注mask时，尤其是分割类，低亮度图像很难看清目标轮廓；在算法上，也可以先对低亮度图像进行处理，再传入检测等算法当中，提高精度。因只是应对工作需要，所以具体原理不去了解，能使用即可。因没有时间去标注，故AI算法只记录无监督算法。
OpenCV 图像增强之伽马变换 C++
cyf15238622067的博客
02-19 8891
幂次变换又称伽马变换： ✓ c和 γ是正常数 ✓ γ &lt;1 提高灰度级，在正比函数上方，使图像变亮 ✓ γ &gt;1 降低灰度级，在正比函数下方，使图像变暗 创建滑动条改变Gama值 • 例：人体胸上部脊椎骨折的核磁共振图像 代码如下: /* *伽马变换--s=cr^γ * 滑动条改变Gama值，γ&lt;1时将较窄范围的暗色输入转换为...
C++ opencv Image visual enhancement - false color（图像视觉效果增强-伪彩色）
特别的猫
05-29 2045
今天，抽短暂时间实现了一个新的功能，那就是16位图像的读取以及伪彩色视觉效果增强。个人感觉各种语言还是C++好用，PY虽然很火，但是项目中执行效率是真的难受。 --->Today, a new feature has been briefly implemented, which is the ability to read 16-bit images and enhance false-color visuals.I personally feel that various languages a
C++ OpenCV自适应伽玛矫正，对图像切块进行处理，防止过亮
07-14
如果您希望对图像进行切块处理以防止过亮，您可以按照以下方式修改上述代码： ```cpp #include <opencv2/opencv.hpp> int main() { // 读取图像 cv::Mat image = cv::imread("input.jpg", cv::IMREAD_COLOR); if (image.empty()) { std::cout << "Failed to read image!" << std::endl; return -1; } // 定义切块的大小 int blockSize = 64; // 获取图像的宽度和高度 int width = image.cols; int height = image.rows; // 遍历图像切块 for (int y = 0; y < height; y += blockSize) { for (int x = 0; x < width; x += blockSize) { // 计算切块的区域 int blockWidth = std::min(blockSize, width - x); int blockHeight = std::min(blockSize, height - y); cv::Rect blockRect(x, y, blockWidth, blockHeight); // 提取切块图像 cv::Mat blockImage = image(blockRect); // 将切块图像转换为浮点型 cv::Mat floatBlockImage; blockImage.convertTo(floatBlockImage, CV_32F, 1.0 / 255.0); // 计算切块图像的平均亮度 cv::Scalar mean, stdDev; cv::meanStdDev(floatBlockImage, mean, stdDev); // 计算切块图像的伽马校正参数 float gamma = log(0.5) / log(mean[0] / 255.0); // 应用伽马校正 cv::Mat correctedBlockImage; cv::pow(floatBlockImage, gamma, correctedBlockImage); // 将校正后的切块图像转换回8位无符号整型 cv::Mat outputBlockImage; correctedBlockImage.convertTo(outputBlockImage, CV_8U, 255.0); // 将校正后的切块图像复制回原图像中 outputBlockImage.copyTo(image(blockRect)); } } // 显示原始图像和处理后的图像 cv::imshow("Original", image); cv::waitKey(0); return 0; } ``` 在上述代码中，我们添加了一个嵌套循环来遍历图像的切块。每个切块都被提取出来，并按照之前的步骤进行伽马校正。然后，将校正后的切块复制回原始图像中。这样，您就可以对图像进行切块处理，以防止过亮。 请注意，在代码中的`input.jpg`处，您需要替换为您自己的图像文件路径。还可以根据需要调整`blockSize`变量的值以适应不同的切块大小。 希望这对您有所帮助！如有任何疑问，请随时提问。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Zero___Chen

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值