本文共 1800 字，大约阅读时间需要 6 分钟。

前面我们提到，用均值滤波器、中值滤波器、高斯滤波器等可以降低图像中的噪声，其副作用是带来了图像模糊。我们降低噪声的目的，当然是为了提高图像的质量，这是“图像增强”的一个重要应用。

那图像质量怎么评价呢？这是个不同人有不同见解，比较主观的事情。图像增强从一开始就是建立在特定问题的基础上的。对于不同的特定问题，就需要不同的图像增强方法，其增强后的图像质量当然评价标准也不一样。因此，并不存在“通用”的图像增强理论。

但是主观的事情，并不代表完全没有客观的评价标准。我们看下面3张图：

从主观上我们看，第一幅，第二幅图像整体偏暗，没有第3幅图像好。整体偏暗表示灰度值都比较低，而且灰度值之间相差不大。

我们知道，统计学中最基本的统计量是均值和标准差。表示一组数据中的平均值和数值之间的离散程度。而一副图像就是一个矩阵数组，表示灰度值的集合，那么一副图像有没有平均灰度值和标准差呢。

我们统计下上面3副图像中的均值和标准差：

print(np.mean(lena1), np.mean(lena2), np.mean(lena3))print(np.std(lena1), np.std(lena2), np.std(lena3)) 
  
 
  1 
  2

输出结果：

40.32  80.64  134.4012.45  24.91  41.51 
  
 
  1 
  2

那么，我们很容易得出一些推论：

除了均值和标准差，我们在统计学中，通常用直方图来表示一组数据的分布情况。那么，我们怎么知道一副图像中的灰度值分布呢？我们知道，灰度值数据一般的取值范围是[0-255]。对于每个灰度，统计在图像中出现的次数即可，就可以大致知道其分布情况。这和统计学中的数据直方图很像。

下面把上面3副图像的每个灰度值进行下数量统计。

import cv2import matplotlib.pyplot as pltlena = cv2.imread("lena1.png", 0)lena1 = cv2.imread("lena1.png", 1)lena2 = cv2.imread("lena2.png", 1)lena3 = cv2.imread("lena3.png", 1)print(lena1.shape, lena2.shape, lena3.shape)plt.subplot(321)plt.imshow(cv2.cvtColor(lena1, cv2.COLOR_BGR2RGB))plt.subplot(322)plt.hist(lena1[:, :, 0].ravel(), 256, [0, 256])plt.subplot(323)plt.imshow(cv2.cvtColor(lena2, cv2.COLOR_BGR2RGB))plt.subplot(324)plt.hist(lena2[:, :, 0].ravel(), 256, [0, 256])plt.subplot(325)plt.imshow(cv2.cvtColor(lena3, cv2.COLOR_BGR2RGB))plt.subplot(326)plt.hist(lena3[:, :, 0].ravel(), 256, [0, 256])plt.show() 
  
 
  1 
  2 
  3 
  4 
  5 
  6 
  7 
  8 
  9 
  10 
  11 
  12 
  13 
  14 
  15 
  16 
  17 
  18 
  19 
  20 
  21 
  22 
  23 
  24

可以看出，第一幅图像中灰度值大量集中在0-50之间，整体偏暗，第二幅图像中灰度值大量集中在0-150之间，而第三幅图像的灰度值大致均匀的分布在0-255的区间内。

直观上，可以得出这样的结论：若一副图像的像素值倾向于占据整个可能的灰度值区间，并且分布相对均匀，则该图像能够展示灰色调的较大变化和丰富的灰度细节，也就是具有高对比度的外观。

转载自：

转载地址：https://jensen-lee.blog.csdn.net/article/details/88990802 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！