灰度变换

灰度变换函数1、反转变换参考代码效果图与应用场景2、对数变换参考代码效果图与应用场景3、伽马变换（幂律变换）参考代码效果图与应用场景4、比特平面分层参考代码效果图与应用场景

灰度变换函数

对于以像素存储的数字图像来说，可对像素进行相应的操作，可得到处理过后的图像。而对像素邻域进行计算的的叫滤波，对单像素进行变换的叫映射，而这个映射关系就是变换函数。

本文主要介绍的一些主要的灰度变换函数。

1、反转变换

反转变换可将图像的灰度级进行反转，公式可参考下式：

s=L−r−1s = L - r -1s=L−r−1

其中，[0, L-1]为灰度级范围， r为原图像灰度级， s为变换图像灰度级。

参考代码

void inverse(Mat &img){// 初始化图像迭代器MatIterator_<uchar> srcIterStart = img.begin<uchar>();MatIterator_<uchar> srcIterEnd = img.end<uchar>();while (srcIterStart != srcIterEnd){*srcIterStart = 255 - *srcIterStart;srcIterStart++;}}

效果图与应用场景

反转图像的使用场景一般用于对原始图像难以分析出不同之处，例如分析乳房组织时，用反转图像更易观察。

2、对数变换

对数变换可分为对数变换和反对数变换，而反对数变换是属于伽马变化(幂律变换)的范围。对数变换公式可参考下列公式：

s=clog(1+r)s = clog(1 + r)s=clog(1+r)

对数变换可拉伸暗像素值，压缩亮像素值。

参考代码

void log_image(Mat &img, uchar rate = 1){// 初始化图像迭代器MatIterator_<uchar> srcIterStart = img.begin<uchar>();MatIterator_<uchar> srcIterEnd = img.end<uchar>();while (srcIterStart != srcIterEnd){*srcIterStart = static_cast <uchar> (rate * log(1 + *srcIterStart));srcIterStart++;}}// 单通道图像标定Mat standardImageSingle(Mat &src, int rank = 255){Mat dst = src.clone();// 查找数组内的最大值与最小值int min = 255, max = 0;for (int i = 0; i < src.rows; i++)for (int j = 0; j < src.cols; j++){if (dst.at<uchar>(i, j) < min)min = dst.at<uchar>(i, j);if (dst.at<uchar>(i, j) > max)max = dst.at<uchar>(i, j);// cout << num[i*src.rows + j] <<endl;}// 对图像像素值进行标定for (int i = 0; i < src.rows; i++)for (int j = 0; j < src.cols; j++){dst.at<uchar>(i, j) = saturate_cast<int>(rank * ((dst.at<uchar>(i, j) - min) * 1.0 / (max - min)));}return dst;}

效果图与应用场景

对数变换一般不用于图像的明暗拉伸变换，主要用于傅里叶频谱的缩放，保证低频细节不会被线性缩放丢失，使得频谱可见细节更加明显。因此，对数变换主要用于频谱的标定。

3、伽马变换（幂律变换）

伽马变换是一种常用的变换函数，其公式主要参考下列公式：

s=crγs = cr^\gammas=crγ

参考代码

// 单通道图像标定——数组存储void standardImageSingleArray(Mat &src, double* num, int rank = 255){// 查找数组内的最大值与最小值double min = 1000000000, max = -1000000000;for (int i = 0; i < src.rows; i++)for (int j = 0; j < src.cols; j++){if (num[i*src.cols + j] < min)min = num[i*src.cols + j];if (num[i*src.cols + j] > max)max = num[i*src.cols + j];// cout << num[i*src.cols + j] <<endl;}// 对图像像素值进行标定for (int i = 0; i < src.rows; i++)for (int j = 0; j < src.cols; j++){src.at<uchar>(i, j) = saturate_cast<int>(rank * ((num[i*src.cols + j] - min) / (max - min)));}}void gama_image(Mat &img, double gama, double rate = 1){double* num = new double[img.rows*img.cols];int n = 0;// 初始化图像迭代器MatIterator_<uchar> srcIterStart = img.begin<uchar>();MatIterator_<uchar> srcIterEnd = img.end<uchar>();while (srcIterStart != srcIterEnd){if (*srcIterStart == 0)num[n] = 1.0;elsenum[n] = rate * pow(*srcIterStart, gama);n++;srcIterStart++;}standardImageSingleArray(img, num);}

效果图与应用场景

伽马变换一般用于明暗变换，增强对比度， 将暗像素图像变换到亮像素图像，将亮像素图像变换到安像素图像。用于获取，显示图像的各种设备一般都是根据幂律来产生相应的，此现象称之为幂律相应现象。而幂律相应会导致获取或显示的图像过于阴暗（一般幂律响应的指数大于1），所以就需要进行伽马变换，这一操作通常称之为伽马校正。一般各类显示器件中都会内置伽马校正。

上图中，原图就好比输入，经γ=2.5\gamma=2.5γ=2.5的变换相当于器件类的幂律响应。可见比原图要阴暗的多。

在原图的基础上先进行γ=0.4\gamma=0.4γ=0.4的变换相当于先进行伽马校正，可见图像明显变明亮了许多，之后再经过幂律响应后，图像效果对比未经过校正的图像要明亮一些。

4、比特平面分层

像素值通常以8bit、16比特、32bit、64bit来存储像素值的，而每个比特都相当于以一个通道，我们可以获取每个比特平面的图像，下列实验以8bit图像为例为大家展示。我们可以通过与操作获取相应的比特平面值。

参考代码

// 获取图像细节Mat getImageDetails(Mat src, uchar bite = 1){Mat dst = src.clone();for (int i = 0; i < src.rows; i++)for (int j = 0; j < src.cols; j++){dst.at<uchar>(i, j) = src.at<uchar>(i, j) & bite;}return dst;}

效果图与应用场景

各比特平面效果图：

比特平面叠加效果图：

上图中低比特平面是图像的细节部分，高比特是轮廓部分。图像叠加高四层比特平面后的图像与原图像差别不大，因为丢失的细节部分对于人类的视觉来说基本是不可见的，因此此项实验可得出，对于图像的存储可只存储高四层比特平面，减少了50%的存储空间。