圖像演算法優化對比度的方法

㈠ 在圖像處理中有哪些演算法

1、圖像變換：

由於圖像陣列很大，直接在空間域中進行處理，涉及計算量很大。採用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散餘弦變換等間接處理技術，將空間域的處理轉換為變換域處理，可減少計算量，獲得更有效的處理。它在圖像處理中也有著廣泛而有效的應用。

2、圖像編碼壓縮：

圖像編碼壓縮技術可減少描述圖像的數據量，以便節省圖像傳輸、處理時間和減少所佔用的存儲器容量。

壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進行。

編碼是壓縮技術中最重要的方法，它在圖像處理技術中是發展最早且比較成熟的技術。

3、圖像增強和復原：

圖像增強和復原的目的是為了提高圖像的質量，如去除雜訊，提高圖像的清晰度等。

圖像增強不考慮圖像降質的原因，突出圖像中所感興趣的部分。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節明顯；如強化低頻分量可減少圖像中雜訊影響。

4、圖像分割：

圖像分割是數字圖像處理中的關鍵技術之一。

圖像分割是將圖像中有意義的特徵部分提取出來，其有意義的特徵有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。

5、圖像描述：

圖像描述是圖像識別和理解的必要前提。

一般圖像的描述方法採用二維形狀描述，它有邊界描述和區域描述兩類方法。對於特殊的紋理圖像可採用二維紋理特徵描述。

6、圖像分類：

圖像分類屬於模式識別的范疇，其主要內容是圖像經過某些預處理（增強、復原、壓縮）後，進行圖像分割和特徵提取，從而進行判決分類。

圖像分類常採用經典的模式識別方法，有統計模式分類和句法模式分類。

(1)圖像演算法優化對比度的方法擴展閱讀：

圖像處理主要應用在攝影及印刷、衛星圖像處理、醫學圖像處理、面孔識別、特徵識別、顯微圖像處理和汽車障礙識別等。

數字圖像處理技術源於20世紀20年代，當時通過海底電纜從英國倫敦到美國紐約傳輸了一幅照片，採用了數字壓縮技術。

數字圖像處理技術可以幫助人們更客觀、准確地認識世界，人的視覺系統可以幫助人類從外界獲取3/4以上的信息，而圖像、圖形又是所有視覺信息的載體，盡管人眼的鑒別力很高，可以識別上千種顏色，

但很多情況下，圖像對於人眼來說是模糊的甚至是不可見的，通過圖象增強技術，可以使模糊甚至不可見的圖像變得清晰明亮。

㈡ 求圖像處理演算法中，調整亮度、對比度、飽和度的演算法！

我覺得你了解這幾個調整工具的演算法，還沒有了解一下圖層混合模式的計算方法有意義。亮度就是一幅照片中的黑白灰分布情況，對比度是亮部和暗部的差距，飽和度就是顏色純度，前兩者是灰度概念，飽和度才和顏色有關系。
而且亮度、對比度作為概念來理解，當然很有意義，但是這個調整工具PS已經把它弱化了，因為它調整太過粗放，用色階和曲線都能更精確的實現。

㈢ OpenCV C++（四）----對比度增強

對比度增強或者稱為對比度拉伸就是圖像增強技術的一種，它主要解決由於圖像的灰度級范圍較小造成的對比度較低的問題，目的就是將輸出圖像的灰度級放大到指定的程度，使得圖像中的細節看起來更加清晰。對比 度增強有幾種常用的方法，如線性變換、分段線性變換、伽馬變換、直方圖正規化、直方圖均衡化、局部自適應直方圖均衡化等。

灰度直方圖是圖像灰度級的函數， 用來描述每個灰度級在圖像矩陣中的像素個數或者佔有率（概率）。

OpenCV提供了函數 calcHist 來實現直方圖的構建，但是在計算8點陣圖的灰度直方圖 時，它使用起來略顯復雜。下面是OpenCV源碼

可以定義函數 calcGrayHist 來計算灰度直方圖，其中輸入參數為8點陣圖，將返回的灰度直方圖存儲為一個1行256列的 Mat 類型。

圖像對比度是通過灰度級范圍來度量的，而灰度級范圍可通過觀察灰度直方圖得到，灰度級范圍越大代表對比度越高；反之，對比度越低，低對比度的圖像在視覺上給人的感覺是看起來不夠清晰，所以通過演算法調整圖像的灰度值，從而調整圖像的對比度是有必要的。最簡單的一種對比度增強方法是通過灰度值的線性變換來實現的。

當a=1，b=0時，O為I的一個副本；如果a>1，則輸出圖像O的對 比度比I 有所增大；如果0<a< 1，則O的對比度比I有所減小。而b值的改變，影響的是輸出圖像的亮度，當b> 0時，亮度增加；當b<0時，亮度減小。

在OpenCV中實現一個常數與矩陣相乘有多種方式。
1、convertTo

註：當輸出矩陣的數據類型是 CV_8U 時， 大於255的值會自動截斷為255

2、矩陣乘法運算

使用乘法運算符「*」， 無論常數是什麼數據類型， 輸出矩陣的數據類型總是和輸入矩陣的數據類型相同，當數據類型是 CV_8U 時，在返回值中將大於255的值自動截斷為255。

3、convertScaleAbs

直方圖正規化是一種自動選取a和b的值的線性變換方法。

利用 minMaxLoc 函數不僅可以計算出矩陣中的最大值和最小值， 而且可以求出最大 值的位置和最小值的位置。 當然，
在使用過程中如果只想得到最大值和最小值， 則將其 他的變數值設為 NULL 即可。

OpenCV提供的函數： normalize()
使用函數 normalize 對圖像進行對比度增強時， 經常令參數 norm_type=NORM_MINMAX ， 和直方圖正規化原理詳解中提到的計算方法是相同的， 參數 alpha 相當於 Omax ， 參數 beta 相當於 Omin 。 注意， 使用 normalize 可以處理多通道矩陣， 分別對每一個通道進行正規化操作。

非線性變換 。

假設輸入圖像為I，寬為W、 高為H，首先將其灰度值歸一化到[0，1]范圍，對於8位 圖來說，除以255即可。 I （r， c） 代表歸一化後的第r行第c列的灰度值， 輸出圖像記為 O， 伽馬變換就是令 O（r， c） =I（r， c） γ ， 0≤r<H， 0≤c< W，

當γ=1時， 圖像不變。 如果圖像整體或者感興趣區域較暗， 則令0< γ< 1可以 增加圖像對比度； 相反， 如果圖像整體或者感興趣區域較亮， 則令γ>1可以降低圖像對比度。

伽馬變換在提升對比度上有比較好的效果， 但是需要手動調節γ值。

全局直方圖均衡化操作是對圖像I進行改變， 使得輸出圖像O的灰度直方圖 hist O 是「平」的， 即每一個灰度級的像素點個數是「相等」的。 注意，其實這里的「相等」不是嚴格意義上的等於， 而是約等於，

上述分別為I和O的累加直方圖

總結，對於直方圖均衡化的實現主要分四個步驟：

OpenCV實現的直方圖均衡化函數 equalize-Hist ， 其使用方法很簡單， 只支持對 8點陣圖 的處理。

雖然全局直方圖均衡化方法對提高對比度很有效，但是均衡化處理以後暗區域的雜訊可能會被放大，變得清晰可 見，而亮區域可能會損失信息。為了解決該問題， 提出了自適應直方圖均衡化（Aptive Histogram Equalization） 方法。

自適應直方圖均衡化首先將圖像劃分為不重疊的區域塊（tiles） ，然後對每一個塊分別進行直方圖均衡化。 顯然， 在沒有雜訊影響的情況下， 每一個小區域的灰度直方圖會被限制在一個小的灰度級范圍內； 但是如果有雜訊， 每一個分割的區域塊執行直方圖均衡化後， 雜訊會被放大。為了避免出現雜訊這種情況， 提出了「限制對比度」（Contrast Limiting） [3]，如果直方圖的bin超過了提前預設好的「限制對比度」， 那麼會被裁減， 然 後將裁剪的部分均勻分布到其他的bin， 這樣就重構了直方圖。

OpenCV提供的函數 createCLAHE 構建指向 CLAHE 對象的指針， 其中默認設置「限制 對比度」為40，塊的大小為8×8。

㈣ 圖像處理的演算法有哪些

圖像處理基本演算法操作從處理對象的多少可以有如下劃分：
一）點運算：處理點單元信息的運算
二）群運算：處理群單元 （若干個相鄰點的集合）的運算
1.二值化操作
圖像二值化是圖像處理中十分常見且重要的操作，它是將灰度圖像轉換為二值圖像或灰度圖像的過程。二值化操作有很多種，例如一般二值化、翻轉二值化、截斷二值化、置零二值化、置零翻轉二值化。
2.直方圖處理
直方圖是圖像處理中另一重要處理過程，它反映圖像中不同像素值的統計信息。從這句話我們可以了解到直方圖信息僅反映灰度統計信息，與像素具體位置沒有關系。這一重要特性在許多識別類演算法中直方圖處理起到關鍵作用。
3.模板卷積運算
模板運算是圖像處理中使用頻率相當高的一種運算，很多操作可以歸結為模板運算，例如平滑處理，濾波處理以及邊緣特徵提取處理等。這里需要說明的是模板運算所使用的模板通常說來就是NXN的矩陣（N一般為奇數如3,5,7,...），如果這個矩陣是對稱矩陣那麼這個模板也稱為卷積模板，如果不對稱則是一般的運算模板。我們通常使用的模板一般都是卷積模板。如邊緣提取中的Sobel運算元模板。