OpenCV計算機視覺學習（3）——圖像灰度線性變換與非線性變換（對數變換，伽馬變換）

如果需要處理的原圖及代碼，請移步小編的GitHub地址

　　傳送門：請點擊我

　　如果點擊有誤：https://github.com/LeBron-Jian/ComputerVisionPractice

　　下面主要學習圖像灰度化的知識，結合OpenCV調用 cv2.cvtColor()函數實現圖像灰度化，使用像素處理方法對圖像進行灰度化處理。

1.  圖像灰度化

1.1 圖像灰度化的目的

　　將彩色圖像轉化為灰度圖像的過程是圖像的灰度化過程。彩色圖像中的每個像素的顏色由 R， G， B三個分量決定，而每個分量中可以取值 0~255，這樣一個像素點可以有 1600多萬（255*255*255=16581375）的顏色的變化范圍。而灰度圖像是 R，G，B三個分量相同的一種特殊的彩色圖像，其中一個像素點的變換范圍為 256 種，所以在數字圖像處理中一般將各種格式的圖像轉換為灰度圖像以使后續的圖像計算量少一些。灰度圖像的描述與彩色圖像一樣仍然反映了整幅圖像的整體和局部的色度和高亮等級的分布和特征。

1.2  圖像灰度化原理

　　圖像灰度化是將一幅彩色圖像轉換為灰度化圖像的過程。彩色圖像通常包括R、G、B三個分量，分別顯示出紅綠藍等各種顏色，灰度化就是使彩色圖像的R、G、B三個分量相等的過程。灰度圖像中每個像素僅具有一種樣本顏色，其灰度是位於黑色與白色之間的多級色彩深度，灰度值大的像素點比較亮，反之比較暗，像素值最大為255（表示白色），像素值最小為0（表示黑色）。

　　圖像灰度化核心思想是 R = G = B ，這個值也叫灰度值。

　　假設某點的顏色由RGB(R,G,B)組成，常見灰度處理算法如下表所示（盜圖：https://blog.csdn.net/Eastmount/article/details/88785768）

 　　上表中Gray表示灰度處理之后的顏色，然后將原始RGB(R,G,B)顏色均勻地替換成新顏色RGB(Gray,Gray,Gray)，從而將彩色圖片轉化為灰度圖像。

　　一種常見的方法是加權平均灰度處理，這種效果是最好的。是將RGB三個分量求和再取平均值，但更為准確的方法是設置不同的權重，將RGB分量按不同的比例進行灰度划分。比如人類的眼睛感官藍色的敏感度最低，敏感最高的是綠色，因此將RGB按照0.299、0.587、0.114比例加權平均能得到較合理的灰度圖像，如公式所示：

1.3  圖像灰度化的三種方法

1.3.1  OpenCV直接灰度化

　　下面的這種方法，在讀取圖片的時候，直接將圖片轉化為灰度化：

import cv2

img = cv2.imread(photo_file, cv2.IMREAD_GRAYSCALE)

　　得到的img是一個函數。

1.3.2   OpenCV先讀取再灰度化

　　下面的方法，先讀取圖片，然后再轉化為灰度圖。

import  cv2

img = cv2.imread(photo_file)
# Y = 0.299R + 0.587G + 0.114B
grey_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

　　

1.3.3  使用PIL庫中的Image模塊

　　首先讀取圖片，然后灰度化，最后轉化為數組

import numpy as np
form PIL import Image

# 使用PIL庫中的Image模塊
# L = 0.299R + 0.587G + 0.114B
img2 = Image.open(photo_file)
grey_img2 = img2.convert('L')
grey_img22 = np.array(grey_img2)
print(type(grey_img22))

　　使用python中的圖像處理庫PIL來實現不同圖像格式的轉化，對於彩色圖像，不管其圖像格式是PNG，還是BMP，還是JPG，在PIL中，使用Image模塊的open()函數打開后，返回的圖像對象的模式都是“RGB”。而對於灰度圖像，不管其圖像格式是PNG，還是BMP，或者JPG，打開后，其模式為“L”。

1.4  圖像灰度化練習

　　下面代碼是調用cvtColor()函數將圖像進行灰度化處理的代碼：

#_*_coding:utf-8_*_
import cv2 
import numpy as np 
import matplotlib.pyplot as plt
 
#讀取原始圖片
src1 = cv2.imread('irving.jpg')
src2 = cv2.cvtColor(src1, cv2.COLOR_BGR2RGB)
 
#圖像灰度化處理
grayImage = cv2.cvtColor(src1, cv2.COLOR_RGB2GRAY)
grayImage1 = cv2.imread('irving.jpg', 0)
# #顯示圖像
# cv2.imshow("src", src)
# cv2.imshow("result", grayImage)
 
# #等待顯示
# cv2.waitKey(0)
# cv2.destroyAllWindows()

plt.subplot(2,2,1), plt.imshow(src1)
plt.xticks([]), plt.yticks([])
plt.title('origin image BGR')
plt.subplot(2,2,2), plt.imshow(src2)
plt.xticks([]), plt.yticks([])
plt.title('origin image RGB')
plt.subplot(2,2,3), plt.imshow(grayImage)
plt.xticks([]), plt.yticks([])
plt.title('BGR2gray image')
plt.subplot(2,2,4), plt.imshow(grayImage1)
plt.xticks([]), plt.yticks([])
plt.title('gray image')
plt.show()

　　處理結果如下：

 　　注意：灰度化的圖，在matplotlib里顯示圖像不是灰色的，這里因為通道轉換問題，這里我們在OpenCV中顯示則正常。

 

2，基於像素操作的圖像灰度化處理

　　基於像素操作的圖像灰度化處理方法，主要是最大值灰度處理、平均灰度處理和加權平均灰度處理方法。其實之前也學習過，這里再整理一遍。

2.1  最大值灰度處理方法

　　該方法的灰度值等於彩色圖像R、G、B三個分量中的最大值，其公式如下：

　　這種方法灰度化處理后的灰度圖亮度很高（即灰度偏亮）。

　　代碼如下：

#_*_coding:utf-8_*_
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#讀取原始圖像
img = cv2.imread('irving.jpg')
src = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

#獲取圖像高度和寬度
height = img.shape[0]
width = img.shape[1]

#創建一幅圖像
grayimg = np.zeros((height, width, 3), np.uint8)

#圖像最大值灰度處理
for i in range(height):
    for j in range(width):
        #獲取圖像R G B最大值
        gray = max(img[i,j][0], img[i,j][1], img[i,j][2])
        #灰度圖像素賦值 gray=max(R,G,B)
        grayimg[i,j] = np.uint8(gray)

# #顯示圖像
# cv2.imshow("src", img)
# cv2.imshow("gray", grayimg)

# #等待顯示
# cv2.waitKey(0)
# cv2.destroyAllWindows()

plt.subplot(1,3,1), plt.imshow(img)
plt.xticks([]), plt.yticks([])
plt.title('origin image BGR')
plt.subplot(1,3,2), plt.imshow(src)
plt.xticks([]), plt.yticks([])
plt.title('origin image RGB')
plt.subplot(1,3,3), plt.imshow(grayimg)
plt.xticks([]), plt.yticks([])
plt.title('max gray image')
plt.show()

　　圖如下：

2.2   平均灰度處理方法

　　該方法的灰度值等於彩色圖像 R，G，B 是哪個分量灰度值的求和平均值，其計算公式如下所示：

　　這種方法產生的灰度圖像比較柔和。

 　　平均灰度處理方法實現代碼如下所示：

#_*_coding:utf-8_*_
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#讀取原始圖像
img = cv2.imread('irving.jpg')

src = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

#獲取圖像高度和寬度
height = img.shape[0]
width = img.shape[1]

#創建一幅圖像
grayimg = np.zeros((height, width, 3), np.uint8)

#圖像平均灰度處理方法
for i in range(height):
    for j in range(width):
        #灰度值為RGB三個分量的平均值
        gray = (int(img[i,j][0]) + int(img[i,j][1]) + int(img[i,j][2]))  /  3
        grayimg[i,j] = np.uint8(gray)

# #顯示圖像
# cv2.imshow("src", img)
# cv2.imshow("gray", grayimg)

# #等待顯示
# cv2.waitKey(0)
# cv2.destroyAllWindows()

plt.subplot(1,3,1), plt.imshow(img)
plt.xticks([]), plt.yticks([])
plt.title('origin image BGR')
plt.subplot(1,3,2), plt.imshow(src)
plt.xticks([]), plt.yticks([])
plt.title('origin image RGB')
plt.subplot(1,3,3), plt.imshow(grayimg)
plt.xticks([]), plt.yticks([])
plt.title('mean gray image')
plt.show()

     　效果如下：

2.3   加權平均灰度處理方法

　　該方法根據色彩重要性，將三個分量以不同的權值進行加權平均。由於人眼對綠色的敏感最高，對藍色敏感最低，因此，按下式對RGB三分量進行加權平均能得到較合理的灰度圖像。

　　這種灰度化得到的灰度圖像效果最好。

 　　加權平均灰度處理方法實現代碼如下：

#_*_coding:utf-8_*_
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#讀取原始圖像
img = cv2.imread('irving.jpg')

src = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

#獲取圖像高度和寬度
height = img.shape[0]
width = img.shape[1]

#創建一幅圖像
grayimg = np.zeros((height, width, 3), np.uint8)

#加權平均灰度處理方法
for i in range(height):
    for j in range(width):
        #灰度加權平均法
        gray = 0.30 * img[i,j][0] + 0.59 * img[i,j][1] + 0.11 * img[i,j][2]
        grayimg[i,j] = np.uint8(gray)

# #顯示圖像
# cv2.imshow("src", img)
# cv2.imshow("gray", grayimg)

# #等待顯示
# cv2.waitKey(0)
# cv2.destroyAllWindows()

plt.subplot(1,3,1), plt.imshow(img)
plt.xticks([]), plt.yticks([])
plt.title('origin image BGR')
plt.subplot(1,3,2), plt.imshow(src)
plt.xticks([]), plt.yticks([])
plt.title('origin image RGB')
plt.subplot(1,3,3), plt.imshow(grayimg)
plt.xticks([]), plt.yticks([])
plt.title('weighted mean gray image')
plt.show()

 　　效果如下：

3，圖像灰度線性變換原理

　　圖像的灰度線性變換是通過建立灰度映射來調整原始圖像的灰度，從而改善圖像的質量，凸顯圖像的細節，提高圖像的對比度。灰度線性變換的計算公式如下所示：

　　該公式中DB表示灰度線性變換后的灰度值，DA表示變換前輸入圖像的灰度值，α和b為線性變換方程f(D)的參數，分別表示斜率和截距。

• 當α=1，b=0時，保持原始圖像
• 當α=1，b!=0時，圖像所有的灰度值上移或下移
• 當α=-1，b=255時，原始圖像的灰度值反轉
• 當α>1時，輸出圖像的對比度增強
• 當0<α<1時，輸出圖像的對比度減小
• 當α<0時，原始圖像暗區域變亮，亮區域變暗，圖像求補

　　如下圖所示，顯示了圖像灰度線性變換對應的效果圖：

  　　下面一一學習。

3.1 圖像灰度上移變換

　　該算法將實現圖像灰度值的上移，從而提升圖像的亮度，由於圖像的灰度值位於0到255區間之內，所以需要對灰度值進行溢出判斷。其實現代碼如下所示：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取原始圖像
img = cv2.imread('irving.jpg')

# 圖像灰度轉換
grayimage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 獲取圖像高度和寬度
height = grayimage.shape[0]
width = grayimage.shape[1]

# 創建一幅圖像
result = np.zeros((height, width), np.uint8)

# 圖像灰度上移變換  DB = DA + 50
for i in range(height):
    for j in range(width):
        if (int(grayimage[i, j] + 50) > 255):
            gray = 255
        else:
            gray = int(grayimage[i, j] + 50)
        result[i, j] = np.uint8(gray)

# 顯示圖像
cv2.imshow("Gray Image", grayimage)
cv2.imshow("Result", result)

# 等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

　　其輸出結果如下所示：

 　　我們可以看到，圖像的所有灰度值上移 50，圖像變得更白了。（注意：純黑色對應的灰度值為0，純白色的對應的灰度值為255）

3.2  圖像對比度增強變換

　　該算法將增強圖像的對比度。Python實現代碼如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取原始圖像
img = cv2.imread('irving.jpg')

# 圖像灰度轉換
grayimage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 獲取圖像高度和寬度
height = grayimage.shape[0]
width = grayimage.shape[1]

# 創建一幅圖像
result = np.zeros((height, width), np.uint8)

# 圖像對比度增強變換  DB = DA * 1.5
for i in range(height):
    for j in range(width):
        if (int(grayimage[i, j] * 1.5) > 255):
            gray = 255
        else:
            gray = int(grayimage[i, j] * 1.5)
        result[i, j] = np.uint8(gray)

# 顯示圖像
cv2.imshow("Gray Image", grayimage)
cv2.imshow("Result", result)

# 等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

 　　結果如下：

 　　結果就是圖像所有的灰度值增強 1.5倍，我們發現變亮了。

3.3  圖像對比度減弱變換

　　該算法將減弱圖像的對比度，Python實現代碼如下所示：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取原始圖像
img = cv2.imread('irving.jpg')

# 圖像灰度轉換
grayimage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 獲取圖像高度和寬度
height = grayimage.shape[0]
width = grayimage.shape[1]

# 創建一幅圖像
result = np.zeros((height, width), np.uint8)

# 圖像對比度減弱變換  DB = DA * 0.8
for i in range(height):
    for j in range(width):
        if (int(grayimage[i, j] * 0.8) > 255):
            gray = 255
        else:
            gray = int(grayimage[i, j] * 0.8)
        result[i, j] = np.uint8(gray)

# 顯示圖像
cv2.imshow("Gray Image", grayimage)
cv2.imshow("Result", result)

# 等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

　　結果如下所示：

 　　我們從結果可以看出，圖像的所有灰度值減弱，圖像變得更暗。

3.4  圖像灰度反色變換

　　反色變換又稱線性灰度求補變換，它是對原圖像的像素值進行反轉，即黑色變為白色，白色變為黑色的過程。其Python實現代碼如下所示：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取原始圖像
img = cv2.imread('irving.jpg')

# 圖像灰度轉換
grayimage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 獲取圖像高度和寬度
height = grayimage.shape[0]
width = grayimage.shape[1]

# 創建一幅圖像
result = np.zeros((height, width), np.uint8)

# 圖像灰度反色變換  DB = 255 - DA
for i in range(height):
    for j in range(width):
        gray = 255 - grayimage[i, j]
        result[i, j] = np.uint8(gray)

# 顯示圖像
cv2.imshow("Gray Image", grayimage)
cv2.imshow("Result", result)

# 等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

 　　其結果如下所示：

 　　我們發現，圖像處理前后的灰度值是互補的。

　　注意：圖像灰度反色變換在醫學圖像處理中有一定的應用，如下圖所示：

4，圖像灰度非線性變換

　　圖像的灰度非線性變換主要包括對數變換，冪次變換，指數變換，分段函數變換，通過非線性關系對圖像進行灰度處理，下面學習三種常見類型的灰度非線性變換。

4.1 圖像灰度非線性變換：DB = DA * DA / 255

　　下面我們將原始圖像的灰度值按照DB = DA * DA / 255 的公式進行非線性變換，其代碼如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取原始圖像
img = cv2.imread('irving.jpg')

# 圖像灰度轉換
grayimage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 獲取圖像高度和寬度
height = grayimage.shape[0]
width = grayimage.shape[1]

# 創建一幅圖像
result = np.zeros((height, width), np.uint8)

# 圖像灰度非線性變換  DB = DA * DA / 255
for i in range(height):
    for j in range(width):
        gray = int(grayimage[i, j]) * int(grayimage[i, j]) / 255
        result[i, j] = np.uint8(gray)

# 顯示圖像
cv2.imshow("Gray Image", grayimage)
cv2.imshow("Result", result)

# 等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

 　　結果如下：

4.2 圖像灰度對數變換

　　圖像灰度的對數變換一般表示如公式所示：

　　其中 c 為尺度比較常數，DA為原始圖像灰度值，DB為變換后的目標灰度值。如下圖所示，它表示對數曲線下的灰度值變換情況。

　　由於對數曲線在像素值較低的區域斜率大，在像素值高的區域斜率較小，所以圖像經過對數變換后，較暗區域的對比度將有所提升。這種變換可用於增強圖像的暗部細節，從而用來擴展被壓縮的高值圖像中的較暗像素。

　　對數變換實現了擴展低灰度值而壓縮高灰度值的效果，被廣泛的應用於頻譜圖像的顯示中。一個典型的應用是傅里葉頻譜，其動態范圍可能寬達 0 ~ 106 直接顯示頻譜時，圖像顯示設備的動態范圍往往不能滿足要求，從而丟失大量的暗部細節；而在使用對數變換之后，圖像的動態范圍被合理的非線性壓縮，從而可以清晰地顯示。在下圖中，未經變換的頻譜經過對數變換后，增加了低灰度區域的對比度，從而增強暗部的細節。（關於傅里葉變換，我后面會學習）

 　　下面代碼實現了圖像灰度的對數變換：

import cv2
import numpy as np
import matplotlib.pyplot as plt


# 繪制曲線
def log_plot(c):
    x = np.arange(0, 256, 0.01)
    y = c * np.log(1 + x)
    plt.plot(x, y, 'r', linewidth=1)
    # 正常顯示中文標簽
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.title(u'對數變換函數')
    plt.xlim(0, 255), plt.ylim(0, 255)
    plt.show()


# 對數變換
def log(c, img):
    output = c * np.log(1.0 + img)
    output = np.uint8(output + 0.5)
    return output


# 讀取原始圖像
img = cv2.imread('irving.jpg')

# 繪制對數變換曲線
log_plot(42)

# 圖像灰度對數變換
result = log(42, img)

# 顯示圖像
cv2.imshow("Image", img)
cv2.imshow("Result", result)

# 等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

 　　結果如下圖：

　　對應的對數函數曲線如圖所示：

　　對數變換對於整體對比度偏低並且灰度值偏低的圖像增強效果較好。

4.3  圖像灰度伽馬變換

　　gamma矯正通常用於電匯和監視器系統中重現攝像機拍攝的畫面，在圖像處理中也可用於調節圖像的對比度，減少圖像的光照不均和局部陰影。

　　gamma變換又稱為指數變換或冪次變換，是另外一種常用的灰度非線性變換。圖像灰度的伽馬變換一般表示如下：

　　gamma矯正示意圖：

 　　結合上圖看gamma矯正的作用：

• 1，當 gamma<1時，如虛線所示，在低灰度值區域內，動態范圍變大，進而圖像對比度增強（當 x € [0， 0.2] 時，y的范圍從 [0, 0.218] 擴大到 [0, 0.5]）；在高灰度值區域內，動態范圍變小，圖像對比度降低（當 x € [ 0.8, 1]時，y的范圍從 [0.8, 1] 縮小到 [0.9, 1]，同時，圖像整體的灰度值變大）。簡單來說：會拉伸圖像中灰度級較低的區域，壓縮灰度級較高的部分。
• 2，當 gamma >1時，如實線所示，低灰度值區域的動態范圍變小，高灰度值區域在動態范圍內變大，降低了低灰度值區域圖像對比度。提高了高灰度值區域圖像對比度。同時，圖像整體的灰度值變小。簡單來說：會拉伸體現中灰度級較高的區域，壓縮灰度級較低的部分。
• 3，當 gamma=1時，該灰度變換是線性的，此時通過線性方式改變原圖像。

 　　當一張圖片的像素在顏色空間的值都比較大（曝光過度）或者比較小（曝光不足）的情況下，選用合理的R值能減少或者增加其顏色亮度，並使顏色分布更為均勻和豐富，圖片效果得到明顯的改善。但是這種方法並非對所有在曝光上有缺陷的圖片都適用，這是在使用這個方法的時候必須要注意的。

　　當一張曝光過度的圖片中存在顏色較暗的區域（比如背光面，陰影，顏色較深的物體），由 gamma函數圖像可以看出，當選取較小的R值，過度曝光得不到充分的改善；而當選取較大的R值，該區域將會變成黑乎乎的一片；同樣，當一張曝光不足的圖片存在顏色較亮的區域（比如天空，白色背景，反光物等），如果選取R值較大，則曝光不足得不到改善；而選取較小的R值，這個區域變得更亮，從圖片上看就覺得很“扎眼”。

　　因此，雖然這種方法對圖片的曝光率具有較好的調整效果，但是如果素材敏感差異較大，在調整較暗或較亮區域時，要注意減少對較暗或較亮區域的影響。事實上可以根據相同的原理，利用插值的方法構造相對應的處理函數，以得到更加精致的處理效果。

　　使用Python實現，可以通過除以像素最大值，先將圖像像素值調整到 0~1之間，然后進行不同的 gamma值的gamma矯正，python代碼如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt


# 繪制曲線
def gamma_plot(c, gamma):
    x = np.arange(0, 256, 0.01)
    # y = c * x ** gamma
    y = c * np.power(x, gamma)
    plt.plot(x, y, 'r', linewidth=1)
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 正常顯示中文標簽
    plt.title(u'伽馬變換函數')
    plt.xlim([0, 255]), plt.ylim([0, 255])
    plt.show()


# 伽瑪變換
def gamma(img, c, gamma):
    # 映射表必須為0~255(改成其他會報錯）
    gamma_table = c * [np.power(x/255.0, gamma) * 255.0 for x in range(256)]
    # Numpy數組默認數據類型為 int32，需要將數據類型轉換為opencv圖像適合使用的無符號八位整形
    # round() 方法返回浮點數x的四舍五入值。
    gamma_table = np.round(np.array(gamma_table)).astype(np.uint8)
    output_img = cv2.LUT(img, gamma_table)
    return output_img

def gamma_1(img, c, gamma):
    # 映射表必須為0~255(改成其他會報錯）
    output_img = c * np.power(img / float(np.max(img)), gamma) * 255.0
    output_img = np.uint8(output_img)
    return output_img


# 讀取原始圖像
img = cv2.imread('irving.jpg')

# 將圖像轉換為灰度，我們需要使用灰度圖做gamma矯正
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 繪制伽瑪變換曲線
gamma_plot(1, 4.0)

# 圖像灰度伽瑪變換
result = gamma(gray, 1, 0.4)
result1 = gamma_1(gray, 1, 0.4)

# 顯示圖像
cv2.imshow("Image", img)
cv2.imshow("Result", result)
cv2.imshow("Result 1", result1)

# 等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

　　除以最大值的目的是歸一化，將像素值調整到0~1之間。

　　我們看結果：

 　　gamma修正用來提升圖像的對比度，讓圖形看起來更加的“明亮”，代碼如下：

def adjust_gamma(image, gamma=1.0):
    invGamma = 1.0/gamma
    table = []
    for i in range(256):
        table.append(((i / 255.0) ** invGamma) * 255)
    table = np.array(table).astype("uint8")
    return cv2.LUT(image, table)
 
img_gamma = adjust_gamma(img, 2)
cv2.imshow("img",img)
cv2.imshow("img_gamma",img_gamma)
 
key = cv2.waitKey()
if key == 27:
    cv2.destroyAllWindows()

 

 

4.3  opencv中  cv2.LUT() 函數

　　此函數主要用來其到突出的有用信息，增強圖像的光對比度的作用。通過對input的灰度像素的改變，可以通過映射的關系得到需要輸出的灰度像素矩陣 output。

　　或者這樣講：使用查找表中的值填充輸出數組。我們看源碼解析：

def LUT(src, lut, dst=None): # real signature unknown; restored from __doc__
    """
    LUT(src, lut[, dst]) -> dst
    .   @brief Performs a look-up table transform of an array.
    對數組執行查找表轉換。
    .   
    .   The function LUT fills the output array with values from the look-up table. Indices of the entries
    .   are taken from the input array. That is, the function processes each element of src as follows:
    函數LUT使用查找表中的值填充輸出數組。 條目的索引取自輸入數組。 
    也就是說，該函數按以下方式處理src的每個元素：
    .   \f[\texttt{dst} (I)  \leftarrow \texttt{lut(src(I) + d)}\f]
    .   where
    .   \f[d =  \fork{0}{if \(\texttt{src}\) has depth \(\texttt{CV_8U}\)}{128}{if \(\texttt{src}\) has depth \(\texttt{CV_8S}\)}\f]
    .   @param src input array of 8-bit elements. 8位元素的輸入數組。
    
    .   @param lut look-up table of 256 elements; in case of multi-channel input array, the table should
    .   either have a single channel (in this case the same table is used for all channels) or the same
    .   number of channels as in the input array.
    256個元素的查詢表； 
    如果是多通道輸入數組，則該表應具有單個通道
    （在這種情況下，所有通道都使用相同的表）或與輸入陣列中的通道數相同。
    
    .   @param dst output array of the same size and number of channels as src, and the same depth as lut.
    輸出數組，其大小和通道數與src相同，深度與lut相同。
    .   @sa  convertScaleAbs, Mat::convertTo
    """
    pass

 

 

參考文獻：

https://blog.csdn.net/Rothwale/article/details/79189032

https://blog.csdn.net/Eastmount/article/details/88785768

 https://blog.csdn.net/akadiao/article/details/79679306

https://blog.csdn.net/Eastmount/article/details/88858696

 https://blog.csdn.net/Eastmount/article/details/88929290

　　首先讀取圖片，然后灰度化，最后轉化為數組

import numpy as np
form PIL import Image

# 使用PIL庫中的Image模塊
# L = 0.299R + 0.587G + 0.114B
img2 = Image.open(photo_file)
grey_img2 = img2.convert('L')
grey_img22 = np.array(grey_img2)
print(type(grey_img22))

　　使用python中的圖像處理庫PIL來實現不同圖像格式的轉化，對於彩色圖像，不管其圖像格式是PNG，還是BMP，還是JPG，在PIL中，使用Image模塊的open()函數打開后，返回的圖像對象的模式都是“RGB”。而對於灰度圖像，不管其圖像格式是PNG，還是BMP，或者JPG，打開后，其模式為“L”。