python OpenCV中直方圖均衡化的示例分析

這篇文章主要介紹python OpenCV中直方圖均衡化的示例分析，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！

考慮一個(gè)圖像，其像素值僅限制在特定的值范圍內(nèi)。例如，更明亮的圖像將使所有像素都限制在高值中。但是一個(gè)好的圖像會(huì)有來自圖像的所有區(qū)域的像素。所以你需要把這個(gè)直方圖拉伸到兩端(如下圖所給出的)，這就是直方圖均衡的作用(用簡(jiǎn)單的話說)。這通常會(huì)改善圖像的對(duì)比度。

建議閱讀關(guān)于直方圖均衡的wikipedia頁(yè)面Histogram Equalization，了解更多有關(guān)它的詳細(xì)信息。它給出了一個(gè)很好的解釋，給出了一些例子，這樣你就能在讀完之后理解所有的東西。同樣，我們將看到它的Numpy實(shí)現(xiàn)。之后，我們將看到OpenCV函數(shù)。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

img = cv.imread('wiki.jpg', 0)

hist, bins = np.histogram(img.flatten(), 256, [0,256])

cdf = hist.cumsum()
cdf_normalized = cdf*float(hist.max())/cdf.max()

plt.plot(cdf_normalized, color = 'b')
plt.hist(img.flatten(),256,[0,256], color = 'r')
plt.xlim([0,256])
plt.legend(('cdf','histogram'), loc = 'upper left')
plt.show()

你可以看到，直方圖位于更亮的區(qū)域。我們需要完整的頻譜。為此，我們需要一個(gè)轉(zhuǎn)換函數(shù)，它將更亮區(qū)域的輸入像素映射到全區(qū)域的輸出像素。這就是直方圖均衡所做的。

現(xiàn)在我們找到了最小的直方圖值(不包括0)，并應(yīng)用了在wiki頁(yè)面中給出的直方圖均衡等式。但我用在Numpy的遮罩?jǐn)?shù)組的概念數(shù)組上。對(duì)于遮罩?jǐn)?shù)組，所有操作都是在非遮罩元素上執(zhí)行的。

cdf_m = np.ma.masked_equal(cdf, 0)
cdf_m = (cdf_m-cdf_m.min()) * 255 / (cdf_m.max()-cdf_m.min())
cdf = np.ma.filled(cdf_m, 0).astype('uint8')

現(xiàn)在我們有了一個(gè)查找表，它提供了關(guān)于每個(gè)輸入像素值的輸出像素值的信息。所以我們只要應(yīng)用變換。

img2 = cdf[img]

現(xiàn)在我們計(jì)算它的直方圖和cdf，就像之前一樣，結(jié)果如下：

另一個(gè)重要的特征是，即使圖像是一個(gè)較暗的圖像(而不是我們使用的更亮的圖像)，在均衡之后，我們將得到幾乎相同的圖像。因此，它被用作一種“參考工具”，使所有的圖像都具有相同的光照條件。這在很多情況下都很有用。例如，在人臉識(shí)別中，在對(duì)人臉數(shù)據(jù)進(jìn)行訓(xùn)練之前，人臉的圖像是均勻的，使它們具有相同的光照條件。

OpenCV中的直方圖均衡化

OpenCV有一個(gè)函數(shù)可以這樣做，cv.equalizeHist()。它的輸入只是灰度圖像，輸出是我們的直方圖均衡圖像。

img = cv.imread('wiki,jpg', 0)
equ = cv.equalizeHist(img)
res = np.hstack((img, equ)) # 并排疊加圖片
cv.imwrite('res.png', res)

所以現(xiàn)在你可以用不同的光條件來拍攝不同的圖像，平衡它，并檢查結(jié)果。

當(dāng)圖像的直方圖被限制在一個(gè)特定的區(qū)域時(shí)，直方圖均衡是很好的。在那些有很大強(qiáng)度變化的地方，直方圖覆蓋了一個(gè)大區(qū)域，比如明亮的和暗的像素，這樣的地方就不好用了。

CLAHE（對(duì)比有限的自適應(yīng)直方圖均衡/Contrast Limited Adaptive Histogram Equalization）

我們剛剛看到的第一個(gè)直方圖均衡化，考慮到圖像的全局對(duì)比。在很多情況下，這不是一個(gè)好主意。例如，下圖顯示了一個(gè)輸入圖像及其在全局直方圖均衡之后的結(jié)果。

在直方圖均衡化之后，背景對(duì)比得到了改善。但是比較兩幅圖像中的雕像的臉。由于亮度過高，我們丟失了大部分的信息。這是因?yàn)樗闹狈綀D并不局限于一個(gè)特定的區(qū)域，就像我們?cè)谇懊娴睦又锌吹降哪菢印?/p>

為了解決這個(gè)問題，可以使用了自適應(yīng)直方圖均衡。在這一點(diǎn)上，圖像被劃分為幾個(gè)小塊，稱為“tiles”(在OpenCV中默認(rèn)值是8x8)。然后每一個(gè)方塊都是像平常一樣的直方圖。因此，直方圖會(huì)限制在一個(gè)小區(qū)域(除非有噪聲)。如果噪音在那里，它就會(huì)被放大。為了避免這種情況，會(huì)應(yīng)用對(duì)比限制。如果任何直方圖bin超出指定的對(duì)比度限制（默認(rèn)情況下是40），在應(yīng)用直方圖均衡之前，這些像素被裁剪并均勻地分布到其他bin。均衡后，刪除邊界中的工件，采用雙線性插值。

cv.createCLAHE([, clipLimit[, tileGridSize]])

import numpy as np
import cv2 as cv

img = cv.imread('tsukuba_1.png', 0)

# create a CLAHE object (Arguments are optional).
clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)

cv.imread('clahe_2.jpg', cl1)

以上是“python OpenCV中直方圖均衡化的示例分析”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對(duì)大家有幫助，更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！