這里一共包含了7種銳化方法仅政，3種濾波方法，一種平滑方法盆驹，以及三種具體的功能實(shí)現(xiàn)圆丹，常用的基本圖像操作基本都全了。直接上碼召娜。

1 直方圖均衡化 histogram_equalize(src)

輸入圖像為灰度圖运褪。
第一步，實(shí)現(xiàn)了對各個灰度級數(shù)量的計(jì)算玖瘸。
第二步秸讹，實(shí)現(xiàn)了對灰度級累計(jì)分布的計(jì)算。
第三步雅倒，將累計(jì)概率函數(shù)放大到0~255的區(qū)間璃诀，對于放大過程中大于255的灰度值置255，小于0的置0.
第四步蔑匣，進(jìn)行灰度映射轉(zhuǎn)換劣欢。

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
    # 計(jì)算各個灰度級數(shù)量
    for index, value in enumerate(gray_flat):
        count_pixel[value] += 1
    # 計(jì)算灰度級的累計(jì)分布
    for i in range(256):
        if i == 0:
            temp[0] = count_pixel[0]
        else:
            temp[i] = temp[i - 1] + count_pixel[i]
        # 計(jì)算累計(jì)概率函數(shù)，并把值擴(kuò)展到0~255
        value = 255.0 * (temp[i] / image_bytes)
        if value > 255:
            value = 255
        if value < 0:
            value = 0
        pixmap[i] = value
    # 灰度等級映射轉(zhuǎn)換
    for i in range(image_bytes):
        dist_flat[i] = pixmap[gray_flat[i]]
    dist = dist_flat.reshape((rows, cols))
    return dist

2 圖像清晰化 mage_clarify(src[, T = 30])

輸入圖像為灰度圖裁良，為保護(hù)原圖像凿将，操作之前對圖像進(jìn)行復(fù)制。
第一步价脾，獲取原始圖像的robot銳化結(jié)果牧抵。
第二部，對于像素值大于等于T的像素點(diǎn)置T，小于T的不做處理犀变。

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 圖像二值化 two_value(src[, T=30])

輸入圖像為灰度圖妹孙，為保護(hù)原圖像，操作之前對圖像進(jìn)行復(fù)制获枝。
對于圖像中像素值大于等于T的置255蠢正，否則置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 中值濾波 median_filter(src[, k_size=3])

輸入圖像為灰度圖，為保護(hù)原圖像省店，操作之前對圖像進(jìn)行復(fù)制嚣崭。
此方法中調(diào)用了opencv中的種植濾波函數(shù)。

def median_filter(src, k_size=3):
    result = src.copy()
    return cv2.medianBlur(result, k_size)

5 高斯濾波 gaussian_filter(src[, k_size=3])

輸入圖像為灰度圖萨西，為保護(hù)原圖像有鹿，操作之前對圖像進(jìn)行復(fù)制。
方法中對于輸入的size轉(zhuǎn)換為了可以被opencv中高斯濾波函數(shù)識別的高斯核谎脯，繼而進(jìn)行了高斯濾波操作葱跋。

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 均值濾波 blur_filter(src[, k_size=3])

輸入圖像為灰度圖，為保護(hù)原圖像源梭，操作之前對圖像進(jìn)行復(fù)制娱俺。
方法中將輸入的k_size轉(zhuǎn)化為size元組，繼而直接調(diào)用opencv中的均值濾波函數(shù)废麻。

def blur_filter(src, k_size=3):
    result = src.copy()
    size = (k_size, k_size)
    return cv2.blur(result, size)

7 拉普拉斯銳化 laplace_sharpen(src)

輸入圖像為灰度圖荠卷，為保護(hù)原圖像，操作之前對圖像進(jìn)行復(fù)制烛愧。
直接調(diào)用opencv內(nèi)部的laplace銳化函數(shù)油宜，對轉(zhuǎn)化后的結(jié)果取絕對值，繼而返回銳化后的圖像怜姿。

def laplace_sharpen(src):
    result = src.copy()
    return cv2.convertScaleAbs(cv2.Laplacian(result, -1))

8 sobel銳化 sobel_sharpen(src)

輸入圖像為灰度圖慎冤，為保護(hù)原圖像，操作之前對圖像進(jìn)行復(fù)制沧卢。
獲取x方向和y方向上的sobel銳化結(jié)果蚁堤，返回sobel_x和sobel_y的和，即為sobel銳化結(jié)果但狭。
此操作可用于實(shí)現(xiàn)圖像邊緣提取披诗。

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銳化 prewitt_sharpen(src)

輸入圖像為灰度圖，為保護(hù)原圖像立磁，操作之前對圖像進(jìn)行復(fù)制呈队。
第一步，定義x方向和y方向上的兩個銳化模板唱歧。
第二步掂咒，使用兩個模板分別對圖像進(jìn)行filter2D的濾波操作，返回dst_x和dst_y兩個結(jié)果迈喉。
第三步绍刮，返回兩個圖像之和，即為prewitt銳化結(jié)果挨摸。

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銳化 robot_sharpen(source)

輸入圖像為灰度圖孩革，為保護(hù)原圖像，操作之前對圖像進(jìn)行復(fù)制得运。
第一步膝蜈，定義兩個銳化模板kernel_x和kernel_y。
第二步熔掺，分別使用兩個銳化模板對原始圖像進(jìn)行濾波操作饱搏，得到dst_x和dst_y兩個銳化后的圖像。
第三步置逻，返回dst_x與dst_y之和推沸。

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 頻域平滑（等效于低通濾波） frequency_smooth(src[, radius=30)]

輸入圖像為灰度圖，為保護(hù)原圖像券坞，操作之前對圖像進(jìn)行復(fù)制鬓催。
第一步宵呛，新建一個全0模板mask弦悉，將以模板中心為中，邊長為2*radius的正方形置于1碉京。
第二步猴伶，快速傅里葉變換课舍，空域轉(zhuǎn)頻域。
第三步他挎，使用mask模板對頻域圖像進(jìn)行濾波筝尾。
第四步，頻域轉(zhuǎn)空域雇盖，反快速傅里葉變換忿等。
第五步，對上一步的到的圖像進(jìn)行取絕對值操作崔挖。

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 頻域銳化（等效于高通濾波） frequency_sharpen(src[, radius=30])

輸入圖像為灰度圖贸街，為保護(hù)原圖像，操作之前對圖像進(jìn)行復(fù)制狸相。
第一步薛匪，新建一個全1模板mask，將以模板中心為中脓鹃，邊長為2*radius的正方形置于0逸尖。
第二步，快速傅里葉變換，空域轉(zhuǎn)頻域娇跟。
第三步岩齿，使用mask模板對頻域圖像進(jìn)行濾波。
第四步苞俘，頻域轉(zhuǎn)空域盹沈，反快速傅里葉變換。
第五步吃谣，對上一步的到的圖像進(jìn)行取絕對值操作乞封。

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銳化 butterworth_sharpen(src[, T=30])

輸入圖像為灰度圖，為保護(hù)原圖像岗憋，操作之前對圖像進(jìn)行復(fù)制肃晚。
第一步，獲取原始圖像的robot銳化結(jié)果仔戈。
第二步关串，將原始灰度圖result中，robot銳化結(jié)果小于閾值T的點(diǎn)置T杂穷，大于閾值T的不予操作悍缠。

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銳化 butterworth_lg_sharpen(src, T=30)

輸入圖像為灰度圖，為保護(hù)原圖像耐量，操作之前對圖像進(jìn)行復(fù)制飞蚓。
第一步，獲取原始圖像的robot銳化結(jié)果廊蜒。
第二步趴拧，將原始灰度圖result中，robot銳化結(jié)果大于等于閾值T的點(diǎn)置T山叮，小于閾值T的不予操作著榴。

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