基於Python的影像增強技術-Python教學-PHP中文網

讓我透過一些理論術語來開始本教學。當我們談論圖像增強時，這基本上意味著我們想要一個比原始圖像更合適的新版本圖像。

例如，當您掃描文件時，輸出影像的品質可能低於原始輸入影像的品質。因此，我們需要一種方法來提高輸出影像的質量，以便它們在視覺上對觀看者來說更具表現力，這就是影像增強發揮作用的地方。當我們增強影像時，我們所做的是銳化影像的特徵，例如對比度和邊緣。

要注意的是，影像增強不會增加影像的資訊內容，而是增加所選特徵的動態範圍，最終提高影像的品質。因此，在這裡我們實際上不知道輸出影像會是什麼樣子，但我們應該能夠（主觀地）判斷是否有任何改進，例如觀察輸出影像中的更多細節。

影像增強通常用作數位影像處理（即分割、表示）所涉及的基本步驟中的預處理步驟。影像增強的技術有很多，但我將在本教程中介紹兩種技術：影像逆和冪律變換。我們將看看如何在 Python 中實作它們。讓我們開始吧！

影像反轉

正如您可能從本節的標題中猜到的那樣（也可以稱為圖像求反），圖像反轉的目的是將輸入圖像中的暗強度轉換為圖像中的亮強度。輸出影像，以及輸入影像中的亮強度到輸出影像中的暗強度。換句話說，暗的區域變得更亮，明亮的區域變得更暗。

假設 I(i,j) 指的是位於 (i,j) 處的像素的強度值。這裡澄清一下，灰階影像中的強度值落在 [0,255] 範圍內，而 (i,j) 指的是行和列值，分別。當我們對灰階影像套用影像逆運算子時，輸出像素 O(i,j) 值為：

O(i,j) = 255 - I(i,j)

登入後複製

現在，我們的大多數圖像都是彩色圖像。這些影像包含三個通道：紅色、綠色和藍色，稱為 RGB 影像。在這種情況下，與上面的公式相反，我們需要從 255 中減去每個通道的強度。因此輸出影像在像素 (i ,j):

O_R(i,j) = 255 - R(i,j)
O_G(i,j) = 255 - G(i,j)
O-B)i,j) = 255 - B(i,j)

登入後複製

介紹完之後，讓我們來看看如何在 Python 中實作映像逆運算子。我想提一下，為了簡單起見，我將在灰階影像上運行該運算子。但我會給您一些關於在彩色圖像上應用該運算符的想法，並且我會將完整的程序留給您作為練習。

對於彩色影像，您需要做的第一件事是提取每個像素通道（即 RGB）強度值。為此，您可以使用 Python 成像庫 (PIL)。繼續從 baboon.png 下載範例狒狒影像。影像的大小為 500x500。假設您要擷取位於像素位置 (325, 432) 處的紅色、綠色和藍色強度值。這可以如下完成：

from PIL import Image

im = Image.open('baboon.png')
print(im.getpixel((325,432)))

登入後複製

根據文檔，方法 getpixel() 的作用是：

傳回給定位置的像素值。

執行上面的腳本後，你會發現你只得到以下結果：138！但是三個通道的 (RGB) 強度值在哪裡？問題似乎與正在讀取的圖像的 mode 有關。透過執行以下語句檢查模式：

print(im.mode)

登入後複製

您將得到輸出 P，這表示影像是在調色板模式下讀取的。您可以做的一件事是在返回不同通道的強度值之前將影像轉換為 RGB 模式。為此，您可以使用 convert() 方法，如下所示：

rgb_im = im.convert('RGB')

登入後複製

在這種情況下，您將得到以下傳回值：(180, 168, 178)。這表示紅色、綠色和藍色通道的強度值分別為 180、168 和 178。

將我們迄今為止描述的所有內容放在一起，傳回圖片 RGB 值的 Python 腳本如下所示：

from PIL import Image

im = Image.open('baboon.png')
rgb_im = im.convert('RGB')
print(rgb_im.getpixel((325,432)))

登入後複製

在繼續進行影像逆算子之前還剩一點。上面的範例展示如何僅檢索一個像素的RGB值，但在執行逆運算子時，您需要對所有像素執行該操作。

要列印每個像素的不同通道的所有強度值，您可以執行以下操作：

from PIL import Image

im = Image.open('baboon.png')
rgb_im = im.convert('RGB')
width, height = im.size

for w in range(width):
    for h in range(height):
		print(rgb_im.getpixel((w,h)))

登入後複製

此時，我將把它當作練習，讓您了解如何在每個像素的所有彩色影像通道（即 RGB）上套用影像逆運算子。

讓我們來看一個在灰階影像上套用影像逆運算子的範例。繼續下載boat.png，它將作為我們在本節中的測試圖像。它看起來像這樣：

我将使用 numpy 库来完成此任务。在上面的图像上应用图像逆运算符的 Python 脚本应如下所示：

import cv2
import numpy as np
from PIL import Image
img = Image.open('boat.png')
array_img = np.array(img)
image_invert = np.invert(array_img)
cv2.imwrite('new_boat.jpg', image_invert)

登入後複製

Numpy 是一个用于使用 Python 进行科学计算的 Python 包。 OpenCV-Python 是一个旨在解决计算机视觉问题的库。 OpenCV-Python 与 numpy 捆绑在一起，因此如果先安装 OpenCV-Python，则无需安装 numpy。我们首先用 Pillow 打开图像，然后将其转换为 numpy 数组。

然后我们使用numpy的invert()函数将图像反转并保存新的反转图像。 invert() 函数会将白色转换为黑色，反之亦然。

下面左边是原始图像，右边是新反转的图像。

请注意，应用该运算符后，图像的某些特征变得更加清晰。例如，看看右侧图像中的云彩和灯塔。

幂律变换

这个算子，也称为伽马校正，是我们可以用来增强图像的另一个算子。让我们看看算子方程。在像素 (i,j) 处，运算符如下所示：

p(i,j) = kI(i,j)^gamma

登入後複製

I(i,j) 是图像位置处的强度值 (i,j); k 和 gamma 是正常数。我不会在这里讨论数学细节，但我相信您可以在图像处理书籍中找到该主题的详尽解释。但需要注意的是，在大多数情况下，k=1，所以我们主要是改变gamma的值。因此，上述方程可以简化为：

p(i,j) = I(i,j)^gamma

登入後複製

我将在这里使用 OpenCV 和 NumPy 库。如果您需要了解有关该库的更多信息，请查看我的教程 NumPy 简介。我们的测试图像将再次是boat.tiff（继续下载它）。

执行幂律变换运算符的 Python 脚本如下所示：

import cv2
import numpy as np

im = cv2.imread('boat.tiff')
im = im/255.0
im_power_law_transformation = cv2.pow(im,0.6)
cv2.imshow('Original Image',im)
cv2.imshow('Power Law Transformation',im_power_law_transformation)
cv2.waitKey(0)

登入後複製

请注意，我们选择的 gamma 值是 0.6。下图显示了原始图像以及对该图像应用幂律变换算子的结果（左图为原始图像，右图为应用幂律变换算子后的结果）。