图像增强能够有目的地强调图像地整体或是局部特征，将不清晰地图像变得更为清晰，或是强调某些感兴趣的特征，使其改善图像质量，加强图像判别和识别的效果。
现有的图像增强的方法非常多，今天我们主要介绍空间域中的灰度变换方法，并用Python将其一一实现。灰度变换也被称为图像的点运算（只针对图像的某一像素点），是所有图像处理技术中最简单的技术。
我们首先对所有原始图像都进行如下的读取，转换为灰度图像，并且读取图像的长宽。
代码语言：javascript复制image=Image.open(img_path)
image=image.convert('L')
x=image.size[0]
y=image.size[1]Image negatives
图像像素反转变化，用互补灰度代替原灰度。若是8位的灰度图，则原来像素值为0的转为255，如下面公式所示。
s=255−r
此操作能够有效地增强黑色区域中的一些白色或是灰色细节，比如下图，
在此图中，我们可能重点关注的是这些黑色中的白色部分，因而采用反转变换。
我们根据定义，逐像素进行反转操作。
for i in range(x):
for j in range(y):
pixel=image.getpixel((i,j))
image.putpixel((i,j),255-pixel)Brightness normalization
做一个简单的归一化，K是尺度因子，增强对比度，使黑的更黑，亮的更亮,公式如下，
s=K∗((r−rmin)/(rmax−rmin))
先计算出像素点的最大值和最小值，再按公式进行归一化，进而把像素值进行更新。
代码语言：javascript复制table=[]
for i in range(256):
table.append(200*(i-pixel_min)/(pixel_max-pixel_min))
image=image.point(table,'L')
Power-law transformation
指数变换可以做到扩展或者压缩灰度的作用。指数小于1时，作用与对数变换相似，将低亮度区域拉伸，变得更亮。
table=[]
for i in range(256):
table.append(100*i**0.5)
image=image.point(table,'L')
Log transformation
对数变换将低亮度区拉伸，将其余部分进行压缩，使得整体亮度增加，公式如下，
s=K∗log(1 r)
比如下图原图，其黑色部分其实有一些‘隐藏’的亮度，使用对数变换使其更加明显。
table=[]
for i in range(256):
table.append(40*math.log1p(i))
image=image.point(table,'L')——END——推荐阅读
我用Python写了一个论文降重工具
十分钟掌握数据可视化基本操作（上）
十分钟掌握数据可视化基本操作（下）
