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。