机器学习篇---数字图像增强（灰度变换与直方图均衡）

一、模块导入与环境准备

import cv2
import numpy as np
import matplotlib.pyplot as plt
import os

• cv2：OpenCV 库，提供图像读取、写入、颜色空间转换、直方图均衡化等函数。

• numpy：科学计算库，用于高效的数组运算，图像本质上就是 NumPy 数组。

• matplotlib.pyplot：绘图库，用于显示图像和绘制直方图。

• os：操作系统接口库，用于创建输出目录。

二、准备工作：创建输出目录

output_dir = 'output_1'
os.makedirs(output_dir, exist_ok=True)

• output_dir：定义输出文件夹名称为 'output_1'。

• os.makedirs()：递归创建目录，exist_ok=True 表示若目录已存在不报错，保证每次运行都能正常保存结果。

三、自定义工具函数：读取灰度图像

def load_gray_image(path):

• 定义函数 load_gray_image，接收一个参数 path（图像文件路径），负责将任意图像统一读取为灰度图。

img = cv2.imread(path, cv2.IMREAD_UNCHANGED)

• cv2.imread()：读取图像文件。

• cv2.IMREAD_UNCHANGED：保留原始图像的通道数和位深度，不自动转换。

if img is None:
raise FileNotFoundError(f"图像文件 {path} 未找到，请检查路径")

• 若图像读取失败（返回 None），抛出一个明确的文件未找到异常，方便定位错误。

if len(img.shape) == 3:
print(f"[提示] {path} 是彩色图，已自动转换为灰度图")
return cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

• len(img.shape) == 3：判断是否为三通道彩色图像（形状为 (高, 宽, 3)）。

• 若是彩色图，打印提示信息，并用 cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 将 BGR 彩色图转换为单通道灰度图后返回。

return img

• 若已是灰度图（二维数组），直接返回。

四、任务1：反色处理

def task1_invert(original_gray):

• 定义函数 task1_invert，接收正常光照的灰度图像，实现底片效果的反色处理。

inverted = 255 – original_gray # s = 255 – r

• 反色公式：s = 255 – r，对每个像素值 r 用 255 减去，暗变亮、亮变暗，呈现底片效果。利用 NumPy 广播机制对整幅图像一次性完成运算。

plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
plt.imshow(original_gray, cmap='gray', vmin=0, vmax=255)
plt.title('Original Gray Image')
plt.axis('off')

• 创建 10×4 英寸画布，1行2列布局，左侧显示原图。

• vmin=0, vmax=255：固定灰度显示范围，确保0为黑、255为白。

plt.subplot(1, 2, 2)
plt.imshow(inverted, cmap='gray', vmin=0, vmax=255)
plt.title('Inverted Image (255 – r)')
plt.axis('off')
plt.tight_layout()
plt.show()

• 右侧显示反色图像，tight_layout() 调整间距，show() 渲染显示。

cv2.imwrite(os.path.join(output_dir, 'inverted.jpg'), inverted)
print("[任务1] 反色图像已保存")

• cv2.imwrite()：将反色图像保存为 JPG 文件到输出目录，并打印完成提示。

五、任务2：对数变换

def task2_log_transform(low_light, over_exposed):

• 定义函数，接收低照度图像 low_light 和曝光过度图像 over_exposed 两幅灰度图。

5.1 内部辅助函数：对数变换

def log_transform(img):
img_float = img.astype(np.float32)
c = 255.0 / np.log(1 + np.max(img_float))
log_img = c * np.log(1 + img_float)
return np.clip(log_img, 0, 255).astype(np.uint8)

• img.astype(np.float32)：将 uint8 类型转为 float32，避免对数运算溢出。

• c：缩放常数，计算公式为 255 / log(1 + max)，使变换后最大像素值恰好映射到 255。

• np.log(1 + img_float)：对数变换核心，加1防止对0取对数导致负无穷。

• np.clip(log_img, 0, 255)：裁剪到 [0, 255] 范围，防止越界。

• .astype(np.uint8)：转回 8 位无符号整数类型，用于显示和保存。

log_low = log_transform(low_light)
log_over = log_transform(over_exposed)

• 分别对低照度和过度曝光图像执行对数变换。

5.2 显示与直方图绘制（以低照度为例）

plt.figure(figsize=(12, 8))
plt.subplot(2, 2, 1)
plt.imshow(low_light, cmap='gray', vmin=0, vmax=255)
plt.title('Low Light Original')
plt.axis('off')

• 2行2列布局，左上角显示低照度原图。

plt.subplot(2, 2, 2)
plt.imshow(log_low, cmap='gray', vmin=0, vmax=255)
plt.title('After Log Transform')
plt.axis('off')

• 右上角显示对数变换后的低照度图像。

plt.subplot(2, 2, 3)
plt.hist(low_light.ravel(), bins=256, range=[0, 256], color='gray', alpha=0.7)
plt.title('Low Light Histogram')

• plt.hist()：绘制直方图。

• .ravel()：将二维图像数组展平为一维，便于统计。

• bins=256：256 个柱，对应 0-255 每个灰度级。

• range=[0, 256]：统计范围为 [0, 256)。

• alpha=0.7：设置透明度。

plt.subplot(2, 2, 4)
plt.hist(log_low.ravel(), bins=256, range=[0, 256], color='gray', alpha=0.7)
plt.title('Log Transformed Histogram')
plt.tight_layout()
plt.show()

• 右下角绘制变换后的直方图，展示对数变换对灰度分布的扩展效果。

曝光过度图像的显示逻辑完全相同，仅替换数据源。

5.3 保存结果

cv2.imwrite(os.path.join(output_dir, 'log_low.jpg'), log_low)
cv2.imwrite(os.path.join(output_dir, 'log_over.jpg'), log_over)
print("[任务2] 对数变换结果已保存")

六、任务3：线性拉伸与直方图均衡化

def task3_histogram_enhancement(low_light, over_exposed):

• 定义函数，对低照度和过度曝光图像分别进行线性拉伸和直方图均衡化，并对比展示。

6.1 内部辅助函数

def linear_stretch(img):
min_val, max_val = np.min(img), np.max(img)
if max_val == min_val:
return img
return ((img – min_val) / (max_val – min_val) * 255).astype(np.uint8)

• 线性拉伸公式：(x – min) / (max – min) * 255，将原图灰度范围线性映射到 [0, 255]。

• max_val == min_val：若图像灰度值全部相同（常量图像），直接返回原图避免除零错误。

def equalize(img):
return cv2.equalizeHist(img)

• cv2.equalizeHist()：OpenCV 的直方图均衡化函数，自动重新分布灰度值使直方图尽可能平坦，增强全局对比度。

6.2 执行增强

low_linear = linear_stretch(low_light)
low_eq = equalize(low_light)
over_linear = linear_stretch(over_exposed)
over_eq = equalize(over_exposed)

• 分别生成四幅增强结果。

6.3 三组对比显示（以低照度为例）

plt.figure(figsize=(15, 10))

• 2行3列布局，上排三幅图（原图、线性拉伸、均衡化），下排对应直方图。

plt.subplot(2, 3, 1)
plt.imshow(low_light, cmap='gray', vmin=0, vmax=255)
plt.title('Low Light Original')
plt.axis('off')

• 左上：低照度原图。

plt.subplot(2, 3, 2)
plt.imshow(low_linear, cmap='gray', vmin=0, vmax=255)
plt.title('Linear Stretch')
plt.axis('off')

• 中上：线性拉伸结果。

plt.subplot(2, 3, 3)
plt.imshow(low_eq, cmap='gray', vmin=0, vmax=255)
plt.title('Histogram Equalization')
plt.axis('off')

• 右上：直方图均衡化结果。

plt.subplot(2, 3, 4)
plt.hist(low_light.ravel(), bins=256, range=[0, 256], color='gray', alpha=0.7)
plt.title('Original Histogram')

• 左下：原图直方图，反映灰度集中在暗区的特点。

plt.subplot(2, 3, 5)
plt.hist(low_linear.ravel(), bins=256, range=[0, 256], color='gray', alpha=0.7)
plt.title('Linear Stretch Histogram')

• 中下：线性拉伸后直方图，分布被均匀拉开但保持原有相对形状。

plt.subplot(2, 3, 6)
plt.hist(low_eq.ravel(), bins=256, range=[0, 256], color='gray', alpha=0.7)
plt.title('Equalized Histogram')
plt.tight_layout()
plt.show()

• 右下：均衡化后直方图，分布更加均匀平坦。

曝光过度图像的三组对比采用完全相同的布局。

6.4 保存结果

cv2.imwrite(os.path.join(output_dir, 'low_linear.jpg'), low_linear)
cv2.imwrite(os.path.join(output_dir, 'low_eq.jpg'), low_eq)
cv2.imwrite(os.path.join(output_dir, 'over_linear.jpg'), over_linear)
cv2.imwrite(os.path.join(output_dir, 'over_eq.jpg'), over_eq)
print("[任务3] 线性拉伸与直方图均衡化结果已保存")

七、主程序入口

if __name__ == "__main__":

• Python 的惯用写法，确保该脚本被直接运行时才执行以下代码，被 import 时不执行。

img_normal_path = './DIP2026/DIP2026/bird.jpg'
img_low_path = './DIP2026/DIP2026/night.jpg'
img_over_path = './DIP2026/DIP2026/car_1.jpg'

• 定义三幅测试图像的路径变量，分别为正常光照、低照度、曝光过度图像。

original = load_gray_image(img_normal_path)
low = load_gray_image(img_low_path)
over = load_gray_image(img_over_path)

• 调用 load_gray_image() 读取并统一转换为灰度图。

task1_invert(original)
task2_log_transform(low, over)
task3_histogram_enhancement(low, over)

• 按顺序执行三个实验任务。

print(f"\\n所有实验完成，结果保存在 '{output_dir}' 文件夹中。")

• 打印完成提示。

八、整体流程总结

每个任务都包含处理 → 可视化对比（图像 + 直方图） → 保存三个环节，便于观察灰度变换对图像质量和像素分布的影响。

框图结构说明

三种灰度变换算法对比