【OpenCV 例程200篇】67. 空間域圖像增強的綜合應用

歡迎關注 『OpenCV 例程200篇』 系列，持續更新中
歡迎關注 『Python小白的OpenCV學習課』 系列，持續更新中

5. 空間域圖像增強技術的綜合應用

空間域圖像增強的方法很多，各有不同的特點和作用。對于一幅具體圖像，往往要根據圖像的實際情況，綜合使用幾種圖像增強的方法，以便達到較為理想的結果。

本節以人體骨骼掃描圖像（來自G.E.MedicalSystem）為例，要求對圖像進行銳化以顯示更多的骨骼細節。原始圖像的灰度級比較狹窄，噪聲含量大，簡單使用一種圖像增強方法難以達到理想的結果，需要綜合應用空間域圖像增強技術：首先使用拉普拉斯變換突出細節，然后使用梯度算子增強突出的邊緣，再使用低通濾波器降低噪聲，以此為模板得到需要的銳化圖像，最后用伽馬校正調整灰度級的動態范圍。具體步驟如下：

（1）拉普拉斯變換，突出原始圖像的細節；
（2）原始圖像疊加拉普拉斯變換圖像，恢復背景特征；
（3）Sobel 梯度算子，增強突出的邊緣；
（4）用盒式濾波器平滑梯度圖像；
（5）拉普拉斯與平滑梯度相乘得到掩蔽模板；
（6）原始圖像與掩蔽模板疊加，得到銳化圖像；
（7）Gamma 變換，增大灰度級的動態范圍。

例程 1.82 空間域圖像增強技術的綜合應用

# 1.82 空間域圖像增強技術的綜合應用# 原始圖像，人體骨骼掃描圖像img = cv2.imread("../images/bonescan.tif", flags=0) # 人體骨骼掃描圖像# 圖 2：拉普拉斯變換，突出細節kernLaplace = np.array([[0, 1, 0], [1, -4, 1], [0, 1, 0]], np.int8) # Laplacian kernel# kernLaplaceD = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]], np.int8) # Diagonal Laplacian kernelLaplacian = cv2.filter2D(img, ddepth=-1, kernel=kernLaplace)imgLaplacian = np.uint8(cv2.normalize(Laplacian, None, 0, 255, cv2.NORM_MINMAX))# 圖 3：原始圖像 + 拉普拉斯變換，恢復背景特征AddLap = img + imgLaplacianimgAddLap = np.uint8(cv2.normalize(AddLap, None, 0, 255, cv2.NORM_MINMAX))# 圖 4：Sobel 梯度算子，增強突出的邊緣SobelX = cv2.Sobel(img, cv2.CV_16S, 1, 0) # 計算 x 軸方向SobelY = cv2.Sobel(img, cv2.CV_16S, 0, 1) # 計算 y 軸方向absX = cv2.convertScaleAbs(SobelX) # 轉回 uint8absY = cv2.convertScaleAbs(SobelY) # 轉回 uint8SobelXY = cv2.addWeighted(absX, 0.5, absY, 0.5, 0) # 用絕對值近似平方根imgSobel = np.uint8(cv2.normalize(SobelXY, None, 0, 255, cv2.NORM_MINMAX))# 圖 5：用 (5,5) 盒式濾波器平滑梯度圖像kernelBox = np.ones(5, np.float32) / (5 * 5) # 生成歸一化盒式核SobelBox = cv2.filter2D(img, -1, kernelBox) # cv2.filter2D 方法imgSobelBox = cv2.normalize(SobelBox, None, 0, 255, cv2.NORM_MINMAX)# 圖 6：圖2 與 圖5 相乘得到模板 mask，突出了強邊緣，相對較低了噪聲mask = imgLaplacian * imgSobelBoximgMask = np.uint8(cv2.normalize(mask, None, 0, 255, cv2.NORM_MINMAX))# 圖7：原始圖像與圖 6 相加，得到銳化圖像，大部分細節更清晰passivation = img + imgMask * 0.3imgPassi = np.uint8(cv2.normalize(passivation, None, 0, 255, cv2.NORM_MINMAX))# 圖8: 冪律變換(Gamma 變換)，增大灰度級的動態范圍epsilon = 1e-5 # 非常小的值以防出現除0的情況# Gamma = np.zeros_like(imgPassi, dtype=np.float)Gamma = np.power(imgPassi + epsilon, 0.5)imgGamma = np.uint8(cv2.normalize(Gamma, None, 0, 255, cv2.NORM_MINMAX))# 繪圖plt.figure(figsize=(10, 7))titleList = ["1. Original", "2. Laplacian", "3. Original + Laplacian", "4. Sobel","5. Sobel Box5", "6. Sobel mask", "7. Passivation", "8. Gamma correction"]imageList = [img, imgLaplacian, imgAddLap, imgSobel, imgSobelBox, imgMask, imgPassi, imgGamma]for i in range(8):plt.subplot(2,4,i+1), plt.title(titleList[i]), plt.axis('off')plt.imshow(imageList[i], 'gray', vmin=0, vmax=255)plt.tight_layout()plt.show()

---

（本節完）

---

版權聲明：

youcans@xupt 原創作品，轉載必須標注原文鏈接

Copyright 2021 youcans, XUPT

Crated：2022-1-12

歡迎關注 『OpenCV 例程200篇』 系列，持續更新中
歡迎關注 『Python小白的OpenCV學習課』 系列，持續更新中

【OpenCV 例程200篇】01. 圖像的讀取（cv2.imread）
【OpenCV 例程200篇】02. 圖像的保存（cv2.imwrite）
【OpenCV 例程200篇】03. 圖像的顯示（cv2.imshow）
【OpenCV 例程200篇】04. 用 matplotlib 顯示圖像（plt.imshow）
【OpenCV 例程200篇】05. 圖像的屬性（np.shape）
【OpenCV 例程200篇】06. 像素的編輯（img.itemset）
【OpenCV 例程200篇】07. 圖像的創建（np.zeros）
【OpenCV 例程200篇】08. 圖像的復制（np.copy）
【OpenCV 例程200篇】09. 圖像的裁剪（cv2.selectROI）
【OpenCV 例程200篇】10. 圖像的拼接（np.hstack）
【OpenCV 例程200篇】11. 圖像通道的拆分（cv2.split）
【OpenCV 例程200篇】12. 圖像通道的合并（cv2.merge）
【OpenCV 例程200篇】13. 圖像的加法運算（cv2.add）
【OpenCV 例程200篇】14. 圖像與標量相加（cv2.add）
【OpenCV 例程200篇】15. 圖像的加權加法（cv2.addWeight）
【OpenCV 例程200篇】16. 不同尺寸的圖像加法
【OpenCV 例程200篇】17. 兩張圖像的漸變切換
【OpenCV 例程200篇】18. 圖像的掩模加法
【OpenCV 例程200篇】19. 圖像的圓形遮罩
【OpenCV 例程200篇】20. 圖像的按位運算
【OpenCV 例程200篇】21. 圖像的疊加
【OpenCV 例程200篇】22. 圖像添加非中文文字
【OpenCV 例程200篇】23. 圖像添加中文文字
【OpenCV 例程200篇】23. 圖像添加中文文字
【OpenCV 例程200篇】24. 圖像的仿射變換
【OpenCV 例程200篇】25. 圖像的平移
【OpenCV 例程200篇】26. 圖像的旋轉（以原點為中心）
【OpenCV 例程200篇】27. 圖像的旋轉（以任意點為中心）
【OpenCV 例程200篇】28. 圖像的旋轉（直角旋轉）
【OpenCV 例程200篇】29. 圖像的翻轉（cv2.flip）
【OpenCV 例程200篇】30. 圖像的縮放（cv2.resize）
【OpenCV 例程200篇】31. 圖像金字塔（cv2.pyrDown）
【OpenCV 例程200篇】32. 圖像的扭變（錯切）
【OpenCV 例程200篇】33. 圖像的復合變換
【OpenCV 例程200篇】34. 圖像的投影變換
【OpenCV 例程200篇】35. 圖像的投影變換（邊界填充）
【OpenCV 例程200篇】36. 直角坐標與極坐標的轉換
【OpenCV 例程200篇】37. 圖像的灰度化處理和二值化處理
【OpenCV 例程200篇】38. 圖像的反色變換（圖像反轉）
【OpenCV 例程200篇】39. 圖像灰度的線性變換
【OpenCV 例程200篇】40. 圖像分段線性灰度變換
【OpenCV 例程200篇】41. 圖像的灰度變換（灰度級分層）
【OpenCV 例程200篇】42. 圖像的灰度變換（比特平面分層）
【OpenCV 例程200篇】43. 圖像的灰度變換（對數變換）
【OpenCV 例程200篇】44. 圖像的灰度變換（伽馬變換）
【OpenCV 例程200篇】45. 圖像的灰度直方圖
【OpenCV 例程200篇】46. 直方圖均衡化
【OpenCV 例程200篇】47. 圖像增強—直方圖匹配
【OpenCV 例程200篇】48. 圖像增強—彩色直方圖匹配
【OpenCV 例程200篇】49. 圖像增強—局部直方圖處理
【OpenCV 例程200篇】50. 圖像增強—直方圖統計量圖像增強
【OpenCV 例程200篇】51. 圖像增強—直方圖反向追蹤
【OpenCV 例程200篇】52. 圖像的相關與卷積運算
【OpenCV 例程200篇】53. Scipy 實現圖像二維卷積
【OpenCV 例程200篇】54. OpenCV 實現圖像二維卷積
【OpenCV 例程200篇】55. 可分離卷積核
【OpenCV 例程200篇】56. 低通盒式濾波器
【OpenCV 例程200篇】57. 低通高斯濾波器
【OpenCV 例程200篇】58. 非線性濾波—中值濾波
【OpenCV 例程200篇】59. 非線性濾波—雙邊濾波
【OpenCV 例程200篇】60. 非線性濾波—聯合雙邊濾波
【OpenCV 例程200篇】61. 導向濾波（Guided filter）
【OpenCV 例程200篇】62. 圖像銳化——鈍化掩蔽
【OpenCV 例程200篇】63. 圖像銳化——Laplacian 算子
【OpenCV 例程200篇】64. 圖像銳化——Sobel 算子
【OpenCV 例程200篇】65. 圖像銳化——Scharr 算子
【OpenCV 例程200篇】66. 圖像濾波之低通/高通/帶阻/帶通
【OpenCV 例程200篇】67. 空間域圖像增強的綜合應用
【OpenCV 例程200篇】68. 空間域圖像增強的綜合應用
【OpenCV 例程200篇】69. 連續非周期信號的傅立葉系數
【OpenCV 例程200篇】70. 一維連續函數的傅里葉變換
【OpenCV 例程200篇】71. 連續函數的取樣
【OpenCV 例程200篇】72. 一維離散傅里葉變換
【OpenCV 例程200篇】73. 二維連續傅里葉變換
【OpenCV 例程200篇】74. 圖像的抗混疊
【OpenCV 例程200篇】75. Numpy 實現圖像傅里葉變換
【OpenCV 例程200篇】76. OpenCV 實現圖像傅里葉變換
【OpenCV 例程200篇】77. OpenCV 實現快速傅里葉變換
【OpenCV 例程200篇】78. 頻率域圖像濾波基礎
【OpenCV 例程200篇】79. 頻率域圖像濾波的基本步驟
【OpenCV 例程200篇】80. 頻率域圖像濾波詳細步驟
【OpenCV 例程200篇】81. 頻率域高斯低通濾波器
【OpenCV 例程200篇】82. 頻率域巴特沃斯低通濾波器
【OpenCV 例程200篇】83. 頻率域低通濾波：印刷文本字符修復
【OpenCV 例程200篇】84. 由低通濾波器得到高通濾波器
【OpenCV 例程200篇】85. 頻率域高通濾波器的應用
【OpenCV 例程200篇】86. 頻率域濾波應用：指紋圖像處理
【OpenCV 例程200篇】87. 頻率域鈍化掩蔽
【OpenCV 例程200篇】88. 頻率域拉普拉斯高通濾波
【OpenCV 例程200篇】89. 帶阻濾波器的傳遞函數
【OpenCV 例程200篇】90. 頻率域陷波濾波器
【OpenCV 例程200篇】91. 高斯噪聲、瑞利噪聲、愛爾蘭噪聲
【OpenCV 例程200篇】92. 指數噪聲、均勻噪聲、椒鹽噪聲
【OpenCV 例程200篇】93. 噪聲模型的直方圖
【OpenCV 例程200篇】94. 算術平均濾波器
【OpenCV 例程200篇】95. 幾何均值濾波器
【OpenCV 例程200篇】96. 諧波平均濾波器
【OpenCV 例程200篇】97. 反諧波平均濾波器
【OpenCV 例程200篇】98. 統計排序濾波器
【OpenCV 例程200篇】99. 修正阿爾法均值濾波器
【OpenCV 例程200篇】100. 自適應局部降噪濾波器

總結

以上是生活随笔為你收集整理的【OpenCV 例程200篇】67. 空间域图像增强的综合应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。