### 数字图像处理基本操作的 Python 实现 以下是有关数字图像处理的一些基本操作及其对应的 Python 示例代码： #### 图像加载与显示 通过 `cv2.imread()` 函数可以加载图像，而 `cv2.imshow()` 则用于显示图像。 ```python import cv2 # 加载图像 image = cv2.imread('example.jpg') # 显示图像 cv2.imshow('Image', image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 此部分展示了如何使用 OpenCV 来加载并展示一幅图像[^2]。 --- #### 获取图像属性 可以通过 NumPy 的数组特性来获取图像的高度、宽度和通道数。 ```python height, width, channels = image.shape print(f"Height: {height}, Width: {width}, Channels: {channels}") ``` 上述代码片段说明了如何利用 NumPy 属性提取图像的关键尺寸信息。 --- #### 修改像素值 可以直接访问和修改特定位置上的像素值。 ```python # 访问 BGR 像素值 (假设坐标为 (50, 50)) pixel_value = image[50, 50] print(f"Pixel Value at (50, 50): {pixel_value}") # 设置新像素值 image[50, 50] = [0, 0, 255] # 将该点设置为红色 ``` 这段代码解释了如何在指定位置上读取和更改单个像素的颜色值。 --- #### 定义感兴趣区域 (ROI) 当需要对图像的一部分进行单独操作时，定义 ROI 是非常有用的。 ```python roi = image[100:200, 100:200] # 提取子区域作为 ROI cv2.imshow('ROI', roi) cv2.waitKey(0) cv2.destroyAllWindows() # 替换原始图像中的某个区域 image[100:200, 100:200] = [255, 0, 0] # 将 ROI 设为蓝色 ``` 这里介绍了如何裁剪出感兴趣的区域，并对其进行替换或进一步加工。 --- #### 灰度转换 将彩色图像转为灰度图是一种常见的预处理方法。 ```python gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 显示灰度图像 cv2.imshow('Gray Image', gray_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这是实现颜色空间转换的一个典型例子，其中涉及到了色彩模式的变化过程[^1]。 --- #### 对比度调整（灰度拉伸） 对比度增强可通过简单的线性变换完成。 ```python min_val = np.min(gray_image) max_val = np.max(gray_image) stretched_gray = ((gray_image - min_val) / (max_val - min_val)) * 255 stretched_gray = stretched_gray.astype(np.uint8) cv2.imshow('Stretched Gray Image', stretched_gray) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这部分描述了一种简单有效的灰度拉伸技术，有助于改善视觉效果。 --- #### 幂律变换（Gamma 校正） 幂律变换能够改变图像的整体亮度分布。 ```python gamma = 2.2 lookUpTable = np.empty((1, 256), dtype=np.uint8) for i in range(256): lookUpTable[0, i] = np.clip(pow(i/255., gamma)*255., 0, 255) corrected_image = cv2.LUT(gray_image, lookUpTable) cv2.imshow('Corrected Gamma Image', corrected_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这一段实现了经典的伽马校正算法，适用于多种场景下的动态范围压缩需求。 --- #### 对数变换 通过对数值应用自然对数函数，可有效扩展暗区细节。 ```python log_transformed = np.log1p(gray_image).astype(np.float32) normalized_log = (log_transformed - log_transformed.min()) / \ (log_transformed.max() - log_transformed.min()) cv2.imshow('Log Transformed Image', normalized_log) cv2.waitKey(0) cv2.destroyAllWindows() ``` 此处提供了另一种非线性的强度映射方式——即所谓的对数变换法。 ---