gamma校正和直方图均衡化的原理
时间: 2023-07-30 08:13:14 浏览: 143
Gamma校正和直方图均衡化是用于图像处理中的两种常见技术,用于增强图像的对比度和亮度分布。它们的原理如下:
1. Gamma校正:
Gamma校正是一种非线性调整图像亮度的方法,它是通过改变图像的像素值来调整亮度分布。Gamma校正基于一个叫做伽马函数的数学模型,其中伽马值(γ)决定了像素值的变换关系。伽马值小于1会使图像变亮,而伽马值大于1会使图像变暗。具体地说,Gamma校正通过将图像中每个像素的亮度值进行幂次运算来改变图像的亮度。公式如下所示:
V_out = V_in^γ
其中,V_in 是输入图像中的像素值,V_out 是校正后的输出像素值。
2. 直方图均衡化:
直方图均衡化是一种用于增强图像对比度的技术,它通过重新分配图像的像素值来扩展亮度范围。直方图均衡化的原理是将原始图像的直方图转换为均匀分布的直方图。具体步骤如下:
- 计算原始图像的直方图,即统计每个像素值的数量。
- 计算累积分布函数(CDF),即计算每个像素值的累积概率。
- 使用CDF对原始图像中的每个像素值进行映射,将像素值替换为对应的累积概率。
- 将映射后的像素值进行归一化处理,以扩展亮度范围。
通过Gamma校正和直方图均衡化,我们可以调整图像的亮度分布以增强图像的视觉效果和对比度。这些技术在图像处理和计算机视觉领域广泛应用。
相关问题
请用matlab实现色彩校正中的白平衡算法、基于灰度世界假设的算法、对比度增强算法、Gamma校正算法、直方图均衡化算法、自适应直方图均衡化算法以及边缘取样匹配算法
以下是这些算法在 MATLAB 中的实现:
1. 白平衡算法
```matlab
% 读取图像
img = imread('example.jpg');
% 将 RGB 图像转换为 YCbCr 颜色空间
ycbcr = rgb2ycbcr(img);
% 计算 YCbCr 图像的平均值
avg_cb = mean(mean(ycbcr(:,:,2)));
avg_cr = mean(mean(ycbcr(:,:,3)));
% 将平均值应用于 YCbCr 图像的 Cr 和 Cb 通道
ycbcr(:,:,2) = ycbcr(:,:,2) - (avg_cb - 128);
ycbcr(:,:,3) = ycbcr(:,:,3) - (avg_cr - 128);
% 将调整后的 YCbCr 图像转换回 RGB 颜色空间
out = ycbcr2rgb(ycbcr);
% 显示结果
imshow(out);
```
2. 基于灰度世界假设的算法
```matlab
% 读取图像
img = imread('example.jpg');
% 将 RGB 图像转换为 LAB 颜色空间
lab = rgb2lab(img);
% 计算 L、a、b 通道的平均值
avg_l = mean(mean(lab(:,:,1)));
avg_a = mean(mean(lab(:,:,2)));
avg_b = mean(mean(lab(:,:,3)));
% 根据灰度世界假设计算 scale
scale = max([avg_l, avg_a, avg_b]);
% 缩放 L、a、b 通道
lab(:,:,1) = lab(:,:,1) * (scale / avg_l);
lab(:,:,2) = lab(:,:,2) * (scale / avg_a);
lab(:,:,3) = lab(:,:,3) * (scale / avg_b);
% 将调整后的 LAB 图像转换回 RGB 颜色空间
out = lab2rgb(lab);
% 显示结果
imshow(out);
```
3. 对比度增强算法
```matlab
% 读取图像
img = imread('example.jpg');
% 对图像进行对比度增强
out = imadjust(img, [0.1, 0.9], []);
% 显示结果
imshow(out);
```
4. Gamma 校正算法
```matlab
% 读取图像
img = imread('example.jpg');
% 对图像进行 Gamma 校正
gamma = 1.5;
out = imadjust(img, [], [], gamma);
% 显示结果
imshow(out);
```
5. 直方图均衡化算法
```matlab
% 读取图像
img = imread('example.jpg');
% 对图像进行直方图均衡化
out = histeq(img);
% 显示结果
imshow(out);
```
6. 自适应直方图均衡化算法
```matlab
% 读取图像
img = imread('example.jpg');
% 对图像进行自适应直方图均衡化
out = adapthisteq(img);
% 显示结果
imshow(out);
```
7. 边缘取样匹配算法
```matlab
% 读取图像和参考图像
img = imread('example.jpg');
ref = imread('reference.jpg');
% 将图像转换为灰度图像
gray_img = rgb2gray(img);
gray_ref = rgb2gray(ref);
% 计算边缘直方图
img_hist = imhist(edge(gray_img));
ref_hist = imhist(edge(gray_ref));
% 将边缘直方图进行归一化
img_hist = img_hist / sum(img_hist);
ref_hist = ref_hist / sum(ref_hist);
% 计算累积直方图
img_cdf = cumsum(img_hist);
ref_cdf = cumsum(ref_hist);
% 计算匹配映射
map = interp1(ref_cdf, 0:255, img_cdf, 'linear');
% 应用匹配映射
out = uint8(map(double(img) + 1));
% 显示结果
imshow(out);
```
以上是七种色彩校正算法的 MATLAB 实现。注意,这些算法的实现可能需要针对不同的图像进行调整。
直方图均衡化去雾算法py
以下是基于Python实现的直方图均衡化去雾算法:
```
import cv2
import numpy as np
# 读取图像
img = cv2.imread('foggy_image.jpg')
# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 直方图均衡化
equ = cv2.equalizeHist(gray)
# 伽马校正
gamma = 0.6
invGamma = 1.0 / gamma
table = np.array([((i / 255.0) ** invGamma) * 255
for i in np.arange(0, 256)]).astype("uint8")
res = cv2.LUT(equ, table)
# 模糊处理
kernel_size = 5
blur = cv2.GaussianBlur(res, (kernel_size, kernel_size), 0)
# 显示图像
cv2.imshow('Original Image', img)
cv2.imshow('Foggy Image', gray)
cv2.imshow('Enhanced Image', equ)
cv2.imshow('Gamma-Corrected Image', res)
cv2.imshow('Blurred Image', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()
```
该算法分为以下几个步骤:
1. 读取图像并将其转换为灰度图像。
2. 对灰度图像进行直方图均衡化,以增强图像对比度。
3. 对均衡化后的图像进行伽马校正,以调整图像亮度。
4. 对伽马校正后的图像进行模糊处理,以去除雾霾效果。
5. 显示原始图像、雾霾图像、增强图像、伽马校正图像和模糊图像。
需要注意的是,该算法的效果受到多种因素的影响,如雾霾浓度、光照条件等。因此,在实际应用中,需要根据具体情况对算法进行调整和优化。