一、实验目的及原理：

1.目的：

•         掌握图像灰度变换原理，能通过编程实现不同的灰度变换操作以调整图像视觉效果。
  •         理解图像直方图均衡化算法，明确其在增强图像对比度、提升图像细节表现力方面的作用，并能编程实现。
    •         了解图像频域变换（以傅里叶变换为代表），学会观察频谱图以分析图像的频率成分分布。

      • 2.技术方法与算法原理：

        •         图像灰度变换：属于点运算，对图像每个像素的灰度值按特定函数进行变换。

                  图像直方图均衡化：直方图反映图像灰度分布。该算法通过累积分布函数（CDF）将原始灰度值映射到新的灰度值，使直方图趋于均匀分布。

                  图像频域变换（傅里叶变换）：将图像从空间域转换到频域，傅里叶变换结果的幅度谱（频谱图）反映图像频率信息，低频对应图像整体灰度和缓慢变化部分，高频对应边缘、细节等快速变化部分。

        • 二、程序代码

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 定义高斯噪声生成函数
def GaussianNoise(img, mu, sigma):
    """生成均值为mu、方差为sigma的高斯噪声并叠加到图像上"""
    h, w = img.shape[:2]
    noise = np.random.normal(mu, sigma, (h, w))  # 生成高斯噪声
    noisy_img = img + noise
    return np.clip(noisy_img, 0, 255).astype(np.uint8)  # 确保像素值在有效范围

# 读取原始图像（灰度图）
img = cv2.imread('test.jpg', 0)
if img is None:
    raise ValueError("无法读取图像，请检查路径")

# 1. 线性变换：img1 = a*img + b（示例a=1.0, b=50）
a = 1.0
b = 50
img1 = cv2.add(cv2.multiply(a, img.astype(np.float32)), b).astype(np.uint8)


# 2. 幂次变换：temp = img^0.1（注意输入需为浮点型且非负）
img_float = img.astype(np.float32) / 255.0  # 归一化到[0,1]
temp = cv2.pow(img_float, 0.1)
temp = (temp * 255).astype(np.uint8)  # 转回[0,255]


# 3. 多次叠加高斯噪声并求平均（抑制噪声）
k = np.zeros_like(img, dtype=np.float32)
for i in range(100):
    j = GaussianNoise(img, 0, 0.05 * 255)  # 噪声方差对应0.05（以255为基准）
    k += j
k = (k / 100).astype(np.uint8)  # 平均后转回uint8


# 4. 生成带噪声图像并计算噪声残差
img_norm = img.astype(np.float32) / 255.0  # 归一化
img_n = GaussianNoise(img_norm, 0.1, 0.05)  # 叠加均值0.1、方差0.05的噪声
K = img_n - img_norm  # 噪声残差


# 5. 乘法运算：img1 = 1.2 * img
img1_mul = cv2.multiply(1.2, img.astype(np.float32)).astype(np.uint8)


# 6. 除法运算：img1 = img / 2
img1_div = cv2.divide(img.astype(np.float32), 2).astype(np.uint8)


# 7. 计算直方图
hist = cv2.calcHist([img], [0], None, [256], [0, 255])


# 8. 傅里叶变换与逆变换
img_dft = cv2.dft(img_norm, flags=cv2.DFT_COMPLEX_OUTPUT)  # DFT变换（复数输出）
img_cen = np.fft.fftshift(img_dft)  # 中心频移
img_s = cv2.idft(img_dft)  # IDFT逆变换

# 计算频谱（模值）
img_dft_mag = cv2.magnitude(img_dft[:, :, 0], img_dft[:, :, 1])
img_cen_mag = cv2.magnitude(img_cen[:, :, 0], img_cen[:, :, 1])
img_s_mag = cv2.magnitude(img_s[:, :, 0], img_s[:, :, 1])

# 频谱归一化便于显示
img_dft_mag = (img_dft_mag / np.max(img_dft_mag) * 255).astype(np.uint8)
img_cen_mag = (img_cen_mag / np.max(img_cen_mag) * 255).astype(np.uint8)
img_s_mag = (img_s_mag / np.max(img_s_mag) * 255).astype(np.uint8)


# 结果显示
def show_img(title, img, is_gray=True):
    plt.figure()
    plt.title(title)
    if is_gray:
        plt.imshow(img, cmap='gray')
    else:
        plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    plt.axis('off')

show_img('yuan', img)
show_img('xianxing(a=1.0, b=50)', img1)
show_img('mici(γ=0.1)', temp)
show_img('pingjunyizhi', k)
show_img('zaoshengcancha', K, is_gray=False)  # 残差可能为负值，用伪彩色显示
show_img('5. chengfa(×1.2)', img1_mul)
show_img('6. chufa(÷2)', img1_div)

# 显示直方图
plt.figure()
plt.plot(hist)
plt.title('zhifangtu')
plt.xlabel('huidu')
plt.ylabel('xiangsu')

# 显示傅里叶变换结果
show_img('DFT', img_dft_mag)
show_img('pianyihou', img_cen_mag)
show_img('8. IDFT', img_s_mag)

# DCT变换（输入需归一化到[0,1]）
img_norm = img / 255.0  # 归一化
img_dct = cv2.dct(img_norm)  # 离散余弦变换
img_idct = cv2.idct(img_dct)  # 逆离散余弦变换

# 显示结果
plt.figure(figsize=(12, 4))
plt.subplot(131)
plt.imshow(img, cmap='gray')
plt.title('yuan')
plt.axis('off')

plt.subplot(132)
# 对DCT系数取对数增强可视化（避免0值问题）
dct_vis = 20 * np.log(np.abs(img_dct) + 1e-8)  # 加1e-8防止log(0)
plt.imshow(dct_vis, cmap='gray')
plt.title('lisanyuxian')
plt.axis('off')

plt.subplot(133)
plt.imshow(img_idct, cmap='gray')
plt.title('nibianhuan')
plt.axis('off')
plt.tight_layout()
plt.show()

三、实验结果与分析

结果：

        图像灰度变换能有效调整图像的对比度和亮度，本次线性变换后图像视觉效果更鲜明。

直方图均衡化使图像直方图更均匀，对比度显著提升，图像细节更清晰可辨。

傅里叶变换得到的频谱图能清晰展示图像的频率成分分布，中心为低频，周围为高频。

不足：

        灰度变换仅采用了简单的线性变换，对于一些复杂光照条件下的图像，可能无法达到最佳效果；且没有尝试非线性灰度变换（如对数变换、幂次变换）来对比不同效果。

        图像代数运算只进行了加法操作，没有尝试减法、乘法等其他代数运算，对代数运算在图像融合、差异检测等方面的应用探索不足。

        频域变换仅进行了傅里叶变换及频谱图观察，没有基于频域进行进一步的滤波等操作，对频域处理图像的能力挖掘不够。

改进：

        后续可增加多种非线性灰度变换的实验，根据不同图像特点选择合适的变换方式。

        扩展图像代数运算的类型，结合具体应用场景（如图像融合）进行实验。

        在频域变换基础上，尝试进行低通滤波、高通滤波等操作，观察对图像去噪、增强边缘等方面的效果。

• 个人收获与体会

        通过本次实验，我对图像灰度变换、直方图均衡化和频域变换的理论知识有了更深入的理解，不再局限于书本上的公式，而是通过实际编程操作，看到了这些算法如何改变图像。在编写和调试代码的过程中，我熟悉了 OpenCV 库的相关函数，提高了自己的 Python 编程能力和对数字图像处理流程的把握。同时，在分析实验结果时，我学会了从视觉效果、数据分布（如直方图）等多个角度去评估图像处理算法的效果，也深刻体会到理论与实践相结合的重要性，为今后进一步学习更复杂的图像处理技术奠定了基础。

• 思考

        直方图均衡化会使图像的直方图强制变得均匀，可能会过度增强某些区域，导致图像出现不自然的视觉效果，是否有更灵活的方法，既能增强对比度又能保留图像原有灰度分布的主要特征？