Python图像处理实战

第4章　图像增强

本章将讨论图像处理中一些最基本的工具，如均值滤波/中值滤波和直方图均衡化，它们仍然是最强大的工具。图像增强的目的是提高图像的质量或使特定的特征显得更加突出。这些技术更为通用，并且没有假定退化过程的强模型（与图像复原不同）。图像增强技术的一些例子有对比度拉伸、平滑和锐化。本章将介绍这些基本概念，并讲述如何使用Python库函数和PIL、scikit-image和scipy ndimage库实现这些技术。读者将能熟知这些简单而仍然流行的方法。

从内容安排上来说，本章先从介绍逐点强度变换开始；接着介绍对比度拉伸、二值化、半色调化和抖动算法，以及相应的Python库函数；然后讨论不同的直方图处理技术，如直方图均衡化（包括其全局和自适应版本）及直方图匹配；接下来介绍几种图像去噪技术。在介绍图像去噪技术时，我们先介绍一些线性平滑技术，如均值滤波器和高斯滤波器，然后介绍相对较新的非线性噪声平滑技术，如中值滤波器、双边滤波器和非局部均值滤波器，以及在Python中实现它们的方法；最后介绍数学形态学上不同的图像操作及其应用和实现。

本章主要包括以下内容：

• 逐点强度变换——像素转换；
• 直方图处理——直方图均衡化和直方图匹配；
• 线性噪声平滑（均值滤波器）；
• 非线性噪声平滑（中值滤波器）。

4.1　逐点强度变换——像素变换

逐点强度变换运算对输入图像的每个像素f(x,y)应用传递函数T，在输出图像中生成相应的像素。变换可以表示为g(x,y) = T[f(x,y)]或等同于s = T(r)，其中r为输入图像中像素的灰度级，s为输出图像中相同像素的灰度级变换。这是一个无内存操作，在(x, y)处的输出强度只取决于同一点的输入强度。相同强度的像素得到相同的变换。这不会带来新的信息，也不可能导致信息的丢失，但可以改善视觉外观或者使其特征更容易检测。这就是为什么这些变换通常作为图像处理流程中的预处理步骤。图4-1所示的是点处理、掩模/核处理，正如所看到的，对于考虑到邻域像素的空间滤波器，其也应用于变换。 ...