Регулировка контрастности изображения — это фундаментальный метод обработки изображений, целью которого является повышение визуального качества и улучшение интерпретируемости цифровых изображений. Он включает в себя изменение распределения интенсивности пикселей для достижения желаемого уровня контрастности. В этой статье мы рассмотрим различные методы настройки контрастности и предоставим примеры кода, демонстрирующие их реализацию. Давайте погрузимся!

1. Линейное растяжение контраста.
   Линейное растяжение контраста – это простой и широко используемый метод усиления контраста. Он расширяет диапазон интенсивностей пикселей изображения, чтобы охватить весь динамический диапазон. Этот метод можно реализовать с помощью следующего фрагмента кода:

import cv2
import numpy as np
def linear_contrast_stretching(image):
    min_val = np.min(image)
    max_val = np.max(image)
    stretched_image = (image - min_val) * (255.0 / (max_val - min_val))
    return stretched_image.astype(np.uint8)
# Example usage
image = cv2.imread('input.jpg', 0)  # Read the image in grayscale
stretched_image = linear_contrast_stretching(image)
cv2.imwrite('output.jpg', stretched_image)  # Save the contrast-stretched image

2. Выравнивание гистограммы.
   Выравнивание гистограммы – это нелинейный метод, который перераспределяет значения интенсивности на изображении для достижения более однородной гистограммы. Его можно использовать для повышения контрастности как полутоновых, так и цветных изображений. Вот пример того, как выполнить выравнивание гистограммы с помощью OpenCV:

import cv2
def histogram_equalization(image):
    equalized_image = cv2.equalizeHist(image)
    return equalized_image
# Example usage
image = cv2.imread('input.jpg', 0)  # Read the image in grayscale
equalized_image = histogram_equalization(image)
cv2.imwrite('output.jpg', equalized_image)  # Save the histogram-equalized image

3. Адаптивное выравнивание гистограммы.
   Адаптивное выравнивание гистограммы (AHE) – это расширение выравнивания гистограммы, которое делит изображение на небольшие области и применяет локальное выравнивание гистограммы к каждой области индивидуально. Этот метод особенно эффективен для повышения контрастности изображений при различных условиях освещенности. Вот пример использования OpenCV:

import cv2
def adaptive_histogram_equalization(image):
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    equalized_image = clahe.apply(image)
    return equalized_image
# Example usage
image = cv2.imread('input.jpg', 0)  # Read the image in grayscale
equalized_image = adaptive_histogram_equalization(image)
cv2.imwrite('output.jpg', equalized_image)  # Save the AHE-enhanced image

4. Гамма-коррекция.
   Гамма-коррекция – это нелинейный метод, который регулирует значение гаммы изображения для повышения контрастности. Обычно используется для коррекции изображений, которые кажутся слишком яркими или слишком темными. Вот фрагмент кода, демонстрирующий гамма-коррекцию:

import cv2
import numpy as np
def gamma_correction(image, gamma):
    gamma_corrected = np.power(image / 255.0, gamma) * 255.0
    return gamma_corrected.astype(np.uint8)
# Example usage
image = cv2.imread('input.jpg', 0)  # Read the image in grayscale
gamma_corrected = gamma_correction(image, gamma=1.5)
cv2.imwrite('output.jpg', gamma_corrected)  # Save the gamma-corrected image

Регулировка контрастности — важнейший метод обработки изображений, который может значительно улучшить визуальное качество и интерпретируемость цифровых изображений. В этой статье мы рассмотрели четыре популярных метода настройки контрастности: линейное растяжение контраста, выравнивание гистограммы, адаптивное выравнивание гистограммы и гамма-коррекция. Реализуя эти методы в коде, вы можете повысить контрастность изображений и добиться желаемых визуальных эффектов. Поэкспериментируйте с этими методами и выберите тот, который лучше всего соответствует вашим конкретным требованиям.

Не забудьте оптимизировать изображения для SEO, предоставив описательный замещающий текст, включая релевантные ключевые слова, и сжимая изображения для ускорения загрузки вашего веб-сайта.