文章摘要
该文章介绍了通过Python代码实现图像处理和清晰度计算的方法。代码使用OpenCV、NumPy和Matplotlib等库，对读取的图像进行了多种处理，包括线性对比度拉伸、对数变换、幂指变换、直方图均衡化、拉普拉斯算子锐化和非锐化掩蔽等。每种处理方法通过处理后的图像清晰度（基于拉普拉斯算子方差）进行对比，结果显示处理后的图像清晰度有所提升。代码还展示了原图和处理后图像的对比效果。
import math
import cv2
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif’]=[‘FangSong’] # 设置字体以便正确显示汉字
plt.rcParams[‘axes.unicode_minus’]=False # 正确显示连字符
MEDTH_ID=8
# 计算图片清晰度
def getImageVar(img):
img2gray=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转化成灰度图
# 对图片用 3×3 拉普拉斯算子做卷积得到边缘 计算出方差，并最后返回。
# 函数求完导数后会有负值，还有会大于255的值。而原图像是uint8，即8位无符号数，所以建立的图像位数不够，会有截断。因此要使用64位有符号的数据类型，即 cv2.CV_64F。
# 再用var函数求方差
imageVar=cv2.Laplacian(img2gray, cv2.CV_64F).var()
return imageVar
# 转接器
def handle(idx, img):
if idx==1: return handle_specific(img, linear) # 线性变化
if idx==2: return handle_specific(img, linear_up) # 分段线性变化
if idx==3: return handle_specific(img, Logarithmic) # 对数变换
if idx==4: return handle_specific(img, power) # 幂指变换
if idx==5: return handle_specific(img, cv2.equalizeHist) # 直方图均衡化
if idx==6: return handle_specific(img, auto_equalizeHist) # 自适应直方图均衡化
if idx==7: return handle_specific(img, laplacian) # laplacian算子图像锐化
if idx==8: return handle_specific(img, non_sharpening) # 非锐化掩蔽
# 处理函数
def handle_specific(img, func):
img_list=[func(i) for i in cv2.split(img)]
result=cv2.merge((img_list[0], img_list[1], img_list[2]))
return result
# 线性变化
def linear(img):
a, b=1.5, 0
for i in range(img.shape[0]):
for j in range(img.shape[1]):
if img[i][j] * a + b > 255:
img[i][j]=255
else:
img[i][j]=img[i][j] * a + b
return img
# 分段线性变换-线性对比度拉伸,增强感兴趣区域
def linear_up(img):
# 灰度值的最大最小值
r_min, r_max=255, 0
for i in range(img.shape[0]):
for j in range(img.shape[1]):
if img[i, j] > r_max:
r_max=img[i, j]
if img[i, j] < r_min:
r_min=img[i, j]
r1, s1=r_min, 0
r2, s2=r_max, 255
k=(s2 – s1) / (r2 – r1)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
if r1 <=img[i, j] <=r2:
img[i, j]=k * (img[i, j] – r1)
return img
# 对数变换
def Logarithmic(img):
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img[i][j]=math.log(1+img[i][j])
cv2.normalize(img, img, 0, 255, cv2.NORM_MINMAX)
img=cv2.convertScaleAbs(img)
return img
# 对数变换
def power(img):
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img[i][j]=math.pow(img[i][j],1.2)
cv2.normalize(img, img, 0, 255, cv2.NORM_MINMAX)
img=cv2.convertScaleAbs(img)
return img
# 自适应的直方图均衡化-非线性的对比度拉伸,增强感兴趣区域
def auto_equalizeHist(img):
clahe=cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
img=clahe.apply(img)
return img
def laplacian(img):
kernel=np.array([[0, 1, 0], [1, -4, 1], [0, 1, 0]]) # laplacian卷积核的一个模板
lapkernel_img=cv2.filter2D(img, -1, kernel) # 做卷积
img=img – lapkernel_img
return img
def non_sharpening(img):
blur_img=cv2.blur(img, (5, 5))
mask_img=img – blur_img
img=img + mask_img
return img
img=cv2.imread(filename=’img/CB.61.20211203152034_crop_0.jpg’, flags=1)
result=handle(MEDTH_ID, img)
print(‘原图的清晰度：’, getImageVar(img))
print(‘处理之后的清晰度’, getImageVar(result))
fig, axes=plt.subplots(nrows=1, ncols=2, figsize=(10, 8), dpi=100)
axes[0].imshow(img)
axes[0].set_title(“原图”)
axes[1].imshow(result)
axes[1].set_title(“处理之后的图片”)
plt.show()