Einfügen der Gammakorrekturen als Funktionen

Vor der eigentlichen Anwendung des Algorithmus müssen die Gammakorrekturwerte gefiltert und vor der Darstellung des bearbeiteten Bildes wieder hinzugefügt werden.

Code/Dyschromasie.py

-import cv2                         #OpenCV fuer Bildbearbeitung
-import tkinter                     #Zum Erstellen von GUIs
-import numpy as np                 #Numpy Import
+import cv2  # OpenCV fuer Bildbearbeitung
+import tkinter  # Zum Erstellen von GUIs
+import numpy as np  # Numpy Import
 import sys
 
-#Einlesen des Bildes
+# Einlesen des Bildes
 script_dir = sys.path[0]
 path = script_dir[:-4] + "Beispielbilder\lena.jpg"
-image = cv2.imread(path)        #Einlesen des Bildes (noch hardcodiert, sollte dann in GUI gehen)
+image = cv2.imread(path)  # Einlesen des Bildes (noch hardcodiert, sollte dann in GUI gehen)
+
+rows = image.shape[0]  # Auslesen der Zeilenanzahl
+cols = image.shape[1]  # Auslesen der Spaltenanzahl
+kanaele = image.shape[2]  # Auslesen der Kanaele (3 fuer RGB, 1 fuer Graubild)
+
+
+def gammaCorrection(v):
+    if (v <= 0.04045 * 255):
+        return ((v / 255) / 12.92)
+    elif (v > 0.04045 * 255):
+        return (((v / 255) + 0.055) / 1.055) ** 2.4
+    else:
+        print("Ungültiger Wert!!")
+        return 1
+
+
+def reverseGammaCorrection(v_reverse):
+    if (v_reverse <= 0.0031308):
+        return 255 * (12.92 * v_reverse)
+    elif (v_reverse > 0.0031308):
+        return 255 * (1.055 * v_reverse ** 0.41666 - 0.055)
+    else:
+        print("Ungültiger Wert!!!")
+        return 1
 
-rows = image.shape[0]         #Auslesen der Zeilenanzahl
-cols = image.shape[1]         #Auslesen der Spaltenanzahl
-kanaele = image.shape[2]      #Auslesen der Kanaele (3 fuer RGB, 1 fuer Graubild)
 
 '''
            0.4124564  0.3575761  0.1804375    Transformationsmatrix fuer XYZ Werte aus gegebenen RGB Werten!
            0.0193339  0.1191920  0.9503041
 '''
 
-RGB2XYZ = np.array([[0.4124564,0.3575761,0.1804375],[0.2126729,0.7151522,0.0721750],[0.0193339,0.1191920,0.9503041]])
+RGB2XYZ = np.array(
+    [[0.4124564, 0.3575761, 0.1804375],
+     [0.2126729, 0.7151522, 0.0721750],
+     [0.0193339, 0.1191920, 0.9503041]])
 
 '''
             3.2404542 -1.5371385 -0.4985314   Transformationsmatrix fuer RGB Werte aus gegebenen XYZ Werten!
             0.0556434 -0.2040259  1.0572252  
 '''
 
-XYZ2RGB = np.array([[3.2404542,-1.5371385,-0.4985314],[-0.9692660,1.8760108,0.0415560],[0.0556434,-0.2040259,1.0572252]])
+XYZ2RGB = np.array(
+    [[3.2404542, -1.5371385, -0.4985314],
+     [-0.9692660, 1.8760108, 0.0415560],
+     [0.0556434, -0.2040259, 1.0572252]])
 
 '''
             0.4002     0.7076    −0.0808     Transformationsmatrix fuer LMS Werte aus gegebenen XYZ Werten
             0          0          0.9182  
 '''
 
-M_HPE = np.array([[0.4002,0.7076,-0.0808],[-0.2263,1.1653,0.0457],[0,0,0.9182]])
-
+M_HPE = np.array([[0.4002, 0.7076, -0.0808],
+                  [-0.2263, 1.1653, 0.0457],
+                  [0, 0, 0.9182]])
 
 # for i in range(rows):           #Durchgehen aller Pixel des Bildes
 #   for j in range(cols):
 #      #Umwandlungsalgorithmus
 
 
-cv2.namedWindow("Display")      #Displaywindow erstellen
-cv2.imshow("Display",image)     #Bild zeigen
-cv2.waitKey(0)                  #Fenster offen halten
+cv2.namedWindow("Display")  # Displaywindow erstellen
+cv2.imshow("Display", image)  # Bild zeigen
+cv2.waitKey(0)  # Fenster offen halten