---

-基于Python+OpenCV，实验环境：pycharm+anaconda，参考《数字图像处理》冈萨雷斯第四版（初学图像处理和Python，欢迎指出错误~）

一、色调和彩色校正

彩色图像可以看做不同彩色通道图像的叠加，每一个通道都可以同灰度图像处理一样进行操作。由于numpy的矩阵操作功能很强大，所以处理彩色图像也是比较方便的。

若采用伽马变换，图像较亮，应该选择γ>1,压缩高灰度级，图像较暗，应选择γ<1，扩展低灰度级，增强对比度。
若采用S函数（对比度拉伸变换函数），选择合适的参数（斜率），能得到较高的对比度，S函数表达式为：s=T（r）=1/(1+(M/r)^E)
s是输出灰度，r是输入灰度，M是控制的灰度中值，E控制函数斜率。形状如下：

代码如下：

# -*- coding:utf-8 -*-
"""
作者：YJH
日期：2021年11月05日
"""
import matplotlib.pyplot as plt
import cv2 as cv
import numpy as np
from 彩色空间转换 import hsi2rgb              # 从前面写的一个文件里导入自定义的两个函数
from 彩色空间转换 import rgb2hsi

# 显示汉字用
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False


# 定义坐标数字字体及大小
def label_def():
    plt.xticks(fontproperties='Times New Roman', size=8)
    plt.yticks(fontproperties='Times New Roman', size=8)
    # plt.axis('off')                                      # 关坐标，可选


if __name__ == '__main__':
    # 读取图片
    img_orig = cv.imread('top_ left_flower.tif', 1)               # 读取彩色图片
# ------------------------------------------------色调校正---------------------------------------------------------#
    # 伽马变换处理
    img_gama = np.power(img_orig.astype(np.float32), 1.5)         # 图像较亮，若采用幂率变换，γ>1，压缩高灰度级
    temp1 = img_gama - np.min(img_gama)
    img_gama = temp1/np.max(temp1)
    # 对比度拉伸变换函数
    med = np.median(img_orig.astype(np.float32))                    # 获取中值M
    img_temp = 1 / (1 + np.power((140/(img_orig+1e-6)), 4.5))       # 4.5为斜率，交互式选择(感觉med效果不如140)
    temp2 = img_temp - np.min(img_temp)                             # 标定到[0~255]，才能进行BGR2RGB
    img_con_str = np.uint8(255*(temp2/np.max(temp2)))
    # 显示所用的变换函数
    x1 = np.linspace(img_orig.min(), img_orig.max(), num=200)
    y1 = np.power(x1, 1.5)                                       # 伽马函数

    x2 = np.linspace(img_orig.min(), img_orig.max(), num=200)
    y2 = 1 / (1 + np.power((med/(x2+1e-6)), 4.5))               # 对比度拉伸函数

    plt.subplot(231), plt.title('原图像'), plt.imshow(cv.cvtColor(img_orig, cv.COLOR_BGR2RGB)), plt.axis('off')
    plt.subplot(232), plt.title('伽马变换'), plt.imshow(cv.cvtColor(img_gama, cv.COLOR_BGR2RGB)), plt.axis('off')
    plt.subplot(233), plt.title('对比度拉伸'), plt.imshow(cv.cvtColor(img_con_str, cv.COLOR_BGR2RGB)), plt.axis('off')
    plt.subplot(235), plt.title('s=r**(1.5)'), plt.plot(x1, y1), plt.grid(), label_def()
    plt.subplot(236), plt.title('s=1/(1+(M/r)**4)'), plt.plot(x2, y2), plt.grid(), label_def()
    plt.show()

效果如下：

二、色调校正及彩色平衡

只经过色调校正并不总能得到满意的结果。常用的处理方法是：
（1）色调校正；（2）彩色平衡校正。
比如下图较暗，所以用γ<1（0.5）的伽马变换来扩展低灰度级。但变换后图像中（前方石头和杂草）偏红色，所以转到CMY空间，对M分量进行平衡。代码如下：（用到的rgb2hsi和hsi2rgb是我自己定义的两个彩色空间变换函数，可以见我另一篇文章彩色空间HSI和RGB变换）

# 接上面的代码
# --------------------------------------------彩色平衡---------------------------------------------------------------#
    img_stone = cv.imread('bottom_left_stream.tif', 1)
    # 伽马变换处理
    stone_gama = np.power(img_stone.astype(np.float32), 0.5)         # 图像较暗，若采用幂率变换，γ<1，拉伸低灰度级,交互式选择
    temp = stone_gama - np.min(stone_gama)
    stone_gama = temp/np.max(temp)

    img_cmy = 1 - cv.cvtColor(stone_gama, cv.COLOR_BGR2RGB)
    c, m, y = cv.split(img_cmy)
    # print(m.shape)
    m_gama = np.power(m.astype(np.float32), 1.08)                   # 深红色较多，压缩一下
    temp_m = m_gama - np.min(m_gama)
    m_gama = (temp_m/(np.max(temp_m)))
    out_stone = 1 - cv.merge((c, m_gama, y))

    plt.subplot(131), plt.title('原图像'), plt.imshow(cv.cvtColor(img_stone, cv.COLOR_BGR2RGB)), plt.axis('off')
    plt.subplot(132), plt.title('伽马变换'), plt.imshow(cv.cvtColor(stone_gama, cv.COLOR_BGR2RGB)), plt.axis('off')
    plt.subplot(133), plt.title('彩色平衡(深红色)'), plt.imshow(out_stone), plt.axis('off')
    plt.show()

效果如下（好像不明显_还行吧）

三、彩色直方图均衡化

同灰度图一样，可以直接用函数cv2.equalizeHist(img)，操作RGB每个平面或者HSI空间的I分量。但是这个函数操作对象灰度级要是8bit的，对于[0,1]的灰度级要标定到[0,255],要注意一下。
HSI空间中I分量直方图均衡化后，虽不改变H和S分量，但会影响图像整体颜色。常用处理是先均衡化，再调整饱和度分量S。
代码如下：

# ------------------------彩色直方图均衡化----------------------------#
    img_caster = cv.imread('caster_stand_original.tif', 1)
    h, s, i, caster = rgb2hsi(img_caster)
    img = np.float32(caster)
    i = np.uint8(255*i)
    equ_i = (cv.equalizeHist(i))/255.0                                        # 均衡化亮度分量
    # plt.subplot(121), plt.imshow(i, 'gray')
    # plt.subplot(122), plt.imshow(equ_i, 'gray')
    # plt.show()
    img_equ1 = hsi2rgb(cv.merge((h, s, equ_i)))
    # add_s = np.where((s*2) > 1, s, (s*1.5))                                # 增饱和度
    add_s = np.power(s, 0.85)
    img_equ2 = hsi2rgb(cv.merge((h, add_s, equ_i)))

    plt.subplot(131), plt.title('原图像'), plt.imshow(cv.cvtColor(img_caster, cv.COLOR_BGR2RGB)), plt.axis('off')
    plt.subplot(132), plt.title('I分量直方图均衡'), plt.imshow(img_equ1), plt.axis('off')
    plt.subplot(133), plt.title('均衡I+增大S'), plt.imshow(img_equ2), plt.axis('off')
    plt.show()

效果如下（找不同…）：

欢迎大家批评指正