-基于Python+OpenCV，實驗環境：pycharm+anaconda，參考《數字影像處理》岡薩雷斯第四版（初學影像處理和Python，歡迎指出錯誤~）

一、色調和彩色校正

若采用伽馬變換，影像較亮，應該選擇γ>1,壓縮高灰度級，影像較暗，應選擇γ<1，擴展低灰度級，增強對比度，
若采用S函式（對比度拉伸變換函式），選擇合適的引數（斜率），能得到較高的對比度，S函式運算式為：s=T（r）=1/(1+(M/r)^E)
s是輸出灰度，r是輸入灰度，M是控制的灰度中值，E控制函式斜率，形狀如下：

代碼如下：

# -*- coding:utf-8 -*-
"""
作者：YJH
日期：2021年11月05日
"""
import matplotlib.pyplot as plt
import cv2 as cv
import numpy as np
from 彩色空間轉換 import hsi2rgb              # 從前面寫的一個檔案里匯入自定義的兩個函式
from 彩色空間轉換 import rgb2hsi

# 顯示漢字用
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False


# 定義坐標數字字體及大小
def label_def():
    plt.xticks(fontproperties='Times New Roman', size=8)
    plt.yticks(fontproperties='Times New Roman', size=8)
    # plt.axis('off')                                      # 關坐標，可選


if __name__ == '__main__':
    # 讀取圖片
    img_orig = cv.imread('top_ left_flower.tif', 1)               # 讀取彩色圖片
# ------------------------------------------------色調校正---------------------------------------------------------#
    # 伽馬變換處理
    img_gama = np.power(img_orig.astype(np.float32), 1.5)         # 影像較亮，若采用冪率變換，γ>1，壓縮高灰度級
    temp1 = img_gama - np.min(img_gama)
    img_gama = temp1/np.max(temp1)
    # 對比度拉伸變換函式
    med = np.median(img_orig.astype(np.float32))                    # 獲取中值M
    img_temp = 1 / (1 + np.power((140/(img_orig+1e-6)), 4.5))       # 4.5為斜率，互動式選擇(感覺med效果不如140)
    temp2 = img_temp - np.min(img_temp)                             # 標定到[0~255]，才能進行BGR2RGB
    img_con_str = np.uint8(255*(temp2/np.max(temp2)))
    # 顯示所用的變換函式
    x1 = np.linspace(img_orig.min(), img_orig.max(), num=200)
    y1 = np.power(x1, 1.5)                                       # 伽馬函式

    x2 = np.linspace(img_orig.min(), img_orig.max(), num=200)
    y2 = 1 / (1 + np.power((med/(x2+1e-6)), 4.5))               # 對比度拉伸函式

    plt.subplot(231), plt.title('原影像'), plt.imshow(cv.cvtColor(img_orig, cv.COLOR_BGR2RGB)), plt.axis('off')
    plt.subplot(232), plt.title('伽馬變換'), plt.imshow(cv.cvtColor(img_gama, cv.COLOR_BGR2RGB)), plt.axis('off')
    plt.subplot(233), plt.title('對比度拉伸'), plt.imshow(cv.cvtColor(img_con_str, cv.COLOR_BGR2RGB)), plt.axis('off')
    plt.subplot(235), plt.title('s=r**(1.5)'), plt.plot(x1, y1), plt.grid(), label_def()
    plt.subplot(236), plt.title('s=1/(1+(M/r)**4)'), plt.plot(x2, y2), plt.grid(), label_def()
    plt.show()

效果如下：

二、色調校正及彩色平衡

只經過色調校正并不總能得到滿意的結果，常用的處理方法是：
（1）色調校正；（2）彩色平衡校正，
比如下圖較暗，所以用γ<1（0.5）的伽馬變換來擴展低灰度級，但變換后影像中（前方石頭和雜草）偏紅色，所以轉到CMY空間，對M分量進行平衡，代碼如下：（用到的rgb2hsi和hsi2rgb是我自己定義的兩個彩色空間變換函式，可以見我另一篇文章彩色空間HSI和RGB變換）

# 接上面的代碼
# --------------------------------------------彩色平衡---------------------------------------------------------------#
    img_stone = cv.imread('bottom_left_stream.tif', 1)
    # 伽馬變換處理
    stone_gama = np.power(img_stone.astype(np.float32), 0.5)         # 影像較暗，若采用冪率變換，γ<1，拉伸低灰度級,互動式選擇
    temp = stone_gama - np.min(stone_gama)
    stone_gama = temp/np.max(temp)

    img_cmy = 1 - cv.cvtColor(stone_gama, cv.COLOR_BGR2RGB)
    c, m, y = cv.split(img_cmy)
    # print(m.shape)
    m_gama = np.power(m.astype(np.float32), 1.08)                   # 深紅色較多，壓縮一下
    temp_m = m_gama - np.min(m_gama)
    m_gama = (temp_m/(np.max(temp_m)))
    out_stone = 1 - cv.merge((c, m_gama, y))

    plt.subplot(131), plt.title('原影像'), plt.imshow(cv.cvtColor(img_stone, cv.COLOR_BGR2RGB)), plt.axis('off')
    plt.subplot(132), plt.title('伽馬變換'), plt.imshow(cv.cvtColor(stone_gama, cv.COLOR_BGR2RGB)), plt.axis('off')
    plt.subplot(133), plt.title('彩色平衡(深紅色)'), plt.imshow(out_stone), plt.axis('off')
    plt.show()

效果如下（好像不明顯_還行吧）

三、彩色直方圖均衡化

同灰度圖一樣，可以直接用函式cv2.equalizeHist(img)，操作RGB每個平面或者HSI空間的I分量，但是這個函式操作物件灰度級要是8bit的，對于[0,1]的灰度級要標定到[0,255],要注意一下，
HSI空間中I分量直方圖均衡化后，雖不改變H和S分量，但會影響影像整體顏色，常用處理是先均衡化，再調整飽和度分量S，
代碼如下：

# ------------------------彩色直方圖均衡化----------------------------#
    img_caster = cv.imread('caster_stand_original.tif', 1)
    h, s, i, caster = rgb2hsi(img_caster)
    img = np.float32(caster)
    i = np.uint8(255*i)
    equ_i = (cv.equalizeHist(i))/255.0                                        # 均衡化亮度分量
    # plt.subplot(121), plt.imshow(i, 'gray')
    # plt.subplot(122), plt.imshow(equ_i, 'gray')
    # plt.show()
    img_equ1 = hsi2rgb(cv.merge((h, s, equ_i)))
    # add_s = np.where((s*2) > 1, s, (s*1.5))                                # 增飽和度
    add_s = np.power(s, 0.85)
    img_equ2 = hsi2rgb(cv.merge((h, add_s, equ_i)))

    plt.subplot(131), plt.title('原影像'), plt.imshow(cv.cvtColor(img_caster, cv.COLOR_BGR2RGB)), plt.axis('off')
    plt.subplot(132), plt.title('I分量直方圖均衡'), plt.imshow(img_equ1), plt.axis('off')
    plt.subplot(133), plt.title('均衡I+增大S'), plt.imshow(img_equ2), plt.axis('off')
    plt.show()

效果如下（找不同…）：

歡迎大家批評指正