图像基本操作（滤波，平滑，锐化，轮廓提取等）
这里一共包含了7种锐化方法，3种滤波方法，一种平滑方法，以及三种具体的功能实现，常用的基本图像操作基本都全了。直接上码。
1 直方图均衡化 histogram_equalize(src)
输入图像为灰度图。
第一步，实现了对各个灰度级数量的计算。
第二步，实现了对灰度级累计分布的计算。
第三步，将累计概率函数放大到0~255的区间，对于放大过程中大于255的灰度值置255，小于0的置0.
第四步，进行灰度映射转换。
def histogram_equalize(src):
img_gray = cv2.cvtColor(src, cv2.COLOR_RGB2GRAY)
rows, cols = img_gray.shape
gray_flat = img_gray.reshape((rows * cols,))
dist_flat = np.zeros_like(gray_flat)
count_pixel = np.zeros((256,), np.int32)
temp = np.zeros((256,), np.int32)
pixmap = np.zeros((256,), np.uint8)
image_bytes = cols * rows
# 计算各个灰度级数量
for index, value in enumerate(gray_flat):
count_pixel[value] += 1
# 计算灰度级的累计分布
for i in range(256):
if i == 0:
temp[0] = count_pixel[0]
else:
temp[i] = temp[i - 1] + count_pixel[i]
# 计算累计概率函数，并把值扩展到0~255
value = 255.0 * (temp[i] / image_bytes)
if value > 255:
value = 255
if value < 0:
value = 0
pixmap[i] = value
# 灰度等级映射转换
for i in range(image_bytes):
dist_flat[i] = pixmap[gray_flat[i]]
dist = dist_flat.reshape((rows, cols))
return dist
2 图像清晰化 mage_clarify(src[, T = 30])
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
第一步，获取原始图像的robot锐化结果。
第二部，对于像素值大于等于T的像素点置T，小于T的不做处理。
def image_clarify(src, T = 30):
result = src.copy()
robot_img = robot_sharpen(result)
width, height = result.shape
for i in range(width):
for j in range(height):
if robot_img[i][j] >= T:
result[i][j] = T
return result
3 图像二值化 two_value(src[, T=30])
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
对于图像中像素值大于等于T的置255，否则置0.
def two_value(src, T=30):
result = src.copy()
width, height = result.shape
for i in range(width):
for j in range(height):
if result[i][j] >= T:
result[i][j] = 255
else:
result[i][j] = 0
return result
4 中值滤波 median_filter(src[, k_size=3])
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
此方法中调用了opencv中的种植滤波函数。
def median_filter(src, k_size=3):
result = src.copy()
return cv2.medianBlur(result, k_size)
5 高斯滤波 gaussian_filter(src[, k_size=3])
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
方法中对于输入的size转换为了可以被opencv中高斯滤波函数识别的高斯核，继而进行了高斯滤波操作。
def gaussian_filter(src, k_size=3):
result = src.copy()
kernel = cv2.getGaussianKernel(k_size, (0.3 * ((k_size - 1) * 0.5 - 1) + 0.8))
return cv2.filter2D(result, -1, kernel)
6 均值滤波 blur_filter(src[, k_size=3])
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
方法中将输入的k_size转化为size元组，继而直接调用opencv中的均值滤波函数。
def blur_filter(src, k_size=3):
result = src.copy()
size = (k_size, k_size)
return cv2.blur(result, size)
7 拉普拉斯锐化 laplace_sharpen(src)
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
直接调用opencv内部的laplace锐化函数，对转化后的结果取绝对值，继而返回锐化后的图像。
def laplace_sharpen(src):
result = src.copy()
return cv2.convertScaleAbs(cv2.Laplacian(result, -1))
8 sobel锐化 sobel_sharpen(src)
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
获取x方向和y方向上的sobel锐化结果，返回sobel_x和sobel_y的和，即为sobel锐化结果。
此操作可用于实现图像边缘提取。
def sobel_sharpen(src):
result = src.copy()
sobel_x = cv2.Sobel(result, -1, 1, 0)
sobel_y = cv2.Sobel(result, -1, 0, 1)
return cv2.add(sobel_x, sobel_y)
9 prewitt锐化 prewitt_sharpen(src)
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
第一步，定义x方向和y方向上的两个锐化模板。
第二步，使用两个模板分别对图像进行filter2D的滤波操作，返回dst_x和dst_y两个结果。
第三步，返回两个图像之和，即为prewitt锐化结果。
def prewitt_sharpen(src):
result = src.copy()
kernel_x = np.array([
[1, 1, 1],
[0, 0, 0],
[-1, -1, -1]
])
kernel_y = np.array([
[-1, -1, -1],
[0, 0, 0],
[1, 1, 1]
])
dst_x = cv2.filter2D(result, -1, kernel_x)
dst_y = cv2.filter2D(result, -1, kernel_y)
return cv2.add(dst_x, dst_y)
10 robot锐化 robot_sharpen(source)
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
第一步，定义两个锐化模板kernel_x和kernel_y。
第二步，分别使用两个锐化模板对原始图像进行滤波操作，得到dst_x和dst_y两个锐化后的图像。
第三步，返回dst_x与dst_y之和。
def robot_sharpen(source):
temp_img = source.copy()
kernel_x = np.array([
[-1, 0],
[0, 1]
])
kernel_y = np.array([
[0, -1],
[1, 0]
])
dst_x = cv2.filter2D(temp_img, -1, kernel_x)
dst_y = cv2.filter2D(temp_img, -1, kernel_y)
dst_img = cv2.add(dst_x, dst_y)
return dst_img
11 频域平滑（等效于低通滤波） frequency_smooth(src[, radius=30)]
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
第一步，新建一个全0模板mask，将以模板中心为中，边长为2*radius的正方形置于1。
第二步，快速傅里叶变换，空域转频域。
第三步，使用mask模板对频域图像进行滤波。
第四步，频域转空域，反快速傅里叶变换。
第五步，对上一步的到的图像进行取绝对值操作。
def frequency_smooth(src, radius=30):
result = src.copy()
mask = np.zeros(result.shape, np.uint8)
row, col = result.shape
r = int(row / 2)
c = int(col / 2)
mask[r - radius:r + radius, c - radius:c + radius] = 1
f = np.fft.fft2(result)
f_shift = np.fft.fftshift(f)
low_shift = f_shift * mask
low_shift = np.fft.ifftshift(low_shift)
low_img = np.fft.ifft2(low_shift)
return np.abs(low_img)
12 频域锐化（等效于高通滤波） frequency_sharpen(src[, radius=30])
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
第一步，新建一个全1模板mask，将以模板中心为中，边长为2*radius的正方形置于0。
第二步，快速傅里叶变换，空域转频域。
第三步，使用mask模板对频域图像进行滤波。
第四步，频域转空域，反快速傅里叶变换。
第五步，对上一步的到的图像进行取绝对值操作。
def frequency_sharpen(src, radius=30):
result = src.copy()
mask = np.ones(result.shape, np.uint8)
row, col = result.shape
r = int(row / 2)
c = int(col / 2)
mask[r - radius:r + radius, c - radius:c + radius] = 0
f = np.fft.fft2(result)
f_shift = np.fft.fftshift(f)
high_shift = f_shift * mask
high_shift = np.fft.ifftshift(high_shift)
high_img = np.fft.ifft2(high_shift)
return np.abs(high_img)
13 butterworth锐化 butterworth_sharpen(src[, T=30])
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
第一步，获取原始图像的robot锐化结果。
第二步，将原始灰度图result中，robot锐化结果小于阈值T的点置T，大于阈值T的不予操作。
def butterworth_sharpen(src, T=30):
result = src.copy()
robot_img = robot_sharpen(result)
width, height = result.shape
for i in range(width):
for j in range(height):
if robot_img[i][j] < T:
result[i][j] = T
return result
14 butterworth_lg锐化 butterworth_lg_sharpen(src, T=30)
输入图像为灰度图，为保护原图像，操作之前对图像进行复制。
第一步，获取原始图像的robot锐化结果。
第二步，将原始灰度图result中，robot锐化结果大于等于阈值T的点置T，小于阈值T的不予操作。
def butterworth_lg_sharpen(src, T=30):
result = src.copy()
robot_img = robot_sharpen(result)
width, height = result.shape
for i in range(width):
for j in range(height):
if robot_img[i][j] >= T:
result[i][j] = T
return result
