图像的HSV拉伸增强对比度

HSV 和RGB颜色空间的相互转换

http://blog.csdn.net/cinmyheart/article/details/40348831

HSV的拉伸对比度增强就是对S V 两个域进行归一化,H保持不变即可

左侧是原图,右侧是经过处理的图片

转换代码:

%% *********************************************************
% code writer      : EOF
% code file        : HSV_enhance_filter.m
% code date        : 2014.10.21
% e-mail           : [email protected]
%
% Code description :
%           we translate RGB into HSV and normolize the
%   S V channel and then translate HSV back to RGB.
%
% *********************************************************

function Output = HSV_enhance_filter(Image)

    if size(Image,3) ~= 3
        fprintf('ERROR Imput-Image must be three channel image\n');
        return;
    end

    [H,S,V] = RGB2SHV(Image);

    V_max = max(max(V));
    V_min = min(min(V));

    S_max = max(max(S));
    S_min = min(min(S));

    Height_Image = size(Image,1);
    Width_Image  = size(Image,2);

    for row = 1:Height_Image
        for col = 1:Width_Image

            S(row,col) = (S(row,col) - S_min)/(S_max - S_min);
            V(row,col) = (V(row,col) - V_min)/(V_max - V_min);
        end
    end

    Output = HSV2RGB_Color(H,S,V);

end
时间: 2024-12-08 16:50:20

图像的HSV拉伸增强对比度的相关文章

用于图像去雾的优化对比度增强算法

图像去雾哪家强?之前我们已经讨论过了著名的基于暗通道先验的图像去雾(Kaiming He, 2009)算法,如果你用兴趣可以参考: 暗通道优先的图像去雾算法(上) 暗通道优先的图像去雾算法(下) 此外,网上也有很多同道推荐了一篇由韩国学者所发表的研究论文<Optimized contrast enhancement for real-time image and video dehazing>(你也可以从文末参考文献[1]给出的链接中下载到这篇经典论文),其中原作者就提出了一个效果相当不错的图

图像处理复习1——图像基础和空域增强

图像处理复习 CH2 图像基础 2.1 噪声 噪声定义为妨碍人们感觉器官对所接收的信源信息理解的因素,噪声有以下几个常见分类: (1)按统计理论分类 平稳噪声:统计特性不随时间变化 非平稳噪声:统计特性随时间变化 (2)按频谱形状分类 白噪声:频谱均匀分布 三角噪声:频谱与频率平方成正比 (3)按幅度分布形状分类:高斯噪声.雷利噪声 (4)按噪声与信号关系分类:加性噪声.乘性噪声 处理噪声时往往假设噪声是加性噪声并且噪声和信号是相互统计独立的 2.2 成像基础模型 假设投影成像有以下模型: 则由

图像融合(四)-- 对比度金字塔

对比度金字塔融合 在考虑人类视觉系统对局部对比度敏感这一视觉特性的基础上,提出了基于对比度金字塔(Contrast Pyramid,CP)分解的图像融合算法.CP 分解类似于 LP 分解,但它的每一层图像是高斯金字塔相邻两层图像的比率. CP 融合算法应用于合成孔径雷达和前视红外图像融合. 1.原理阐述 ?   (1)得到高斯金字塔(如上篇) (2)对比度金字塔 用高斯金字塔得到上采样并高斯卷积之后的预测图像*Gl,*Gl的尺寸和Cl-1相同,即经过放大算子的处理(pyrup).图像的对比度通常

keras训练函数fit和fit_generator对比,图像生成器ImageDataGenerator数据增强

1. [深度学习] Keras 如何使用fit和fit_generator https://blog.csdn.net/zwqjoy/article/details/88356094 ps:解决样本数量不均衡:fit_generator中设置参数class_weight = 'auto' 2. 实现批量数据增强 | keras ImageDataGenerator使用 https://www.jianshu.com/p/3da7ffb5d950 ps:数据量不足时一定要加上数据增强 原文地址:h

opencv----彩色图像对比度增强

图像对比度增强的方法可以分成两类:一类是直接对比度增强方法;另一类是间接对比度增强方法. 直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法. 直方图拉伸是通过对比度拉伸对直方图进行调整,从而“扩大”前景和背景灰度的差别,以达到增强对比度的目的,这种方法可以利用线性或非线性的方法来实现; 直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强. 1.直方图拉伸 就是扩大将图像灰度的域值的一个过程,但是经常是基于灰度图像进行处理,以前在MATlab上对比度增强调用直方图函数就几

图像一些简单增强

灰度级变换自动对比度调整 线性灰度级变换 非线性灰度级变换 直方图修正 灰度直方图 直方图性质 直方图修正法理论 直方图均衡化 直方图规定化 基于同态滤波的增强处理 基于彩色处理的增强处理 Gamma校正 图像处理原彩图 为了改善图像的质量以及增强感兴趣部分. 如光线较暗的图像,需要增强图像的亮度;通过监测高速公路上的白线实现汽车自动驾驶时需要检测边线等.有针对单个像素点的点运算算法,也有针对像素局部领域的模板运算. 灰度级变换(自动对比度调整) 灰度级变换借助函数变换将输入的像素灰度值映射成一

通过灰度线性映射增强图片对比度

Halcon中如何通过灰度线性映射增强图片对比度呢?不急,我先讲点其他的. 如果你用过Photoshop,那么想必对增强图像的对比度很熟悉.在Photoshop中,我们对下面这张图执行“色阶”调整: 执行“色阶”调整:可以观察到图片的对比度明显增强.(白的更白,黑的更黑了) 它的原理是这样的:将原图中灰度值小于55的点全部强制置为0,将灰度值高于140的点强制置为255,并且将55~140之间的色阶强行拓宽均匀映射到0~255之间,其效果是图像对比度增强了.如下图所示: 如果还不好理解,那么再看

深度学习之图像的数据增强

在图像的深度学习中,为了丰富图像训练集,更好的提取图像特征,泛化模型(防止模型过拟合),一般都会对数据图像进行数据增强, 数据增强,常用的方式,就是旋转图像,剪切图像,改变图像色差,扭曲图像特征,改变图像尺寸大小,增强图像噪音(一般使用高斯噪音,盐椒噪音)等. 但是需要注意,不要加入其他图像轮廓的噪音. 对于常用的图像的数据增强的实现,如下: 1 # -*- coding:utf-8 -*- 2 """数据增强 3 1. 翻转变换 flip 4 2. 随机修剪 random

「新手必看」Python+Opencv实现摄像头调用RGB图像并转换成HSV模型

在ROS机器人的应用开发中,调用摄像头进行机器视觉处理是比较常见的方法,现在把利用opencv和python语言实现摄像头调用并转换成HSV模型的方法分享出来,希望能对学习ROS机器人的新手们一点帮助.至于为什么转换成HSV模型,因为在机器视觉方面用HSV模型进行图像处理是比较方便的,实现的方法和效果相对于其他模型都较为突出. 接下来是完整步骤: 1.打开一个终端,用vim编辑器新建并打开一个后缀为.py的文件 1 $ vim a.py 2.在打开的文件里按"a"进入编辑模式,然后输入