浅谈Python Opencv中gamma变换的使用详解
伽马变换就是用来图像增强,其提升了暗部细节,简单来说就是通过非线性变换,让图像从暴光强度的线性响应变得更接近人眼感受的响应,即将漂白(相机曝光)或过暗(曝光不足)的图片,进行矫正。
伽马变换的基本形式如下:
大于1时,对图像的灰度分布直方图具有拉伸作用(使灰度向高灰度值延展),而小于1时,对图像的灰度分布直方图具有收缩作用(是使灰度向低灰度值方向靠拢)。
#分道计算每个通道的直方图 img0=cv2.imread('12.jpg') hist_b=cv2.calcHist([img0],[0],None,[256],[0,256]) hist_g=cv2.calcHist([img0],[1],None,[256],[0,256]) hist_r=cv2.calcHist([img0],[2],None,[256],[0,256]) defgamma_trans(img,gamma): #具体做法先归一化到1,然后gamma作为指数值求出新的像素值再还原 gamma_table=[np.power(x/255.0,gamma)*255.0forxinrange(256)] gamma_table=np.round(np.array(gamma_table)).astype(np.uint8) #实现映射用的是Opencv的查表函数 returncv2.LUT(img0,gamma_table) img0_corrted=gamma_trans(img0,0.5) cv2.imshow('img0',img0) cv2.imshow('gamma_image',img0_corrted) cv2.imwrite('gamma_image.png',img0_corrted) #分通道计算Gamma校正后的直方图 hist_b_c=cv2.calcHist([img0_corrted],[0],None,[256],[0,256]) hist_g_c=cv2.calcHist([img0_corrted],[1],None,[256],[0,256]) hist_r_c=cv2.calcHist([img0_corrted],[2],None,[256],[0,256]) fig=plt.figure('gamma') pix_hists=[[hist_b,hist_g,hist_r], [hist_b_c,hist_g_c,hist_r_c]] pix_vals=range(256) forsub_plt,pix_histinzip([121,122],pix_hists): ax=fig.add_subplot(sub_plt,projection='3d') forc,z,channel_histinzip(['b','g','r'],[20,10,0],pix_hist): cs=[c]*256 ax.bar(pix_vals,channel_hist,zs=z,zdir='y',color=cs,alpha=0.618,edgecolor='none',lw=0) ax.set_xlabel('PixelValues') ax.set_xlim([0,256]) ax.set_ylabel('Count') ax.set_zlabel('Channels') plt.show() cv2.waitKey()
以上这篇浅谈PythonOpencv中gamma变换的使用详解就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持毛票票。