Python OpenCV学习笔记的直方图均衡化的详细说明

本文介绍python OpenCV学习笔记的直方图均衡化，并与所有人共享，如下所示:

正式文件–

请考虑其像素值仅限制在特定值范围内的图像. 例如，较亮的图像会将所有像素限制为较高的值. 但是，好的图像将具有图像所有区域的像素. 因此，您需要将此直方图拉伸到两端（如下图所示）. 这是直方图均衡化的功能（简单来说）. 通常，这可以提高图像的对比度.

建议阅读Wikipedia页面有关直方图均衡的直方图均衡opencv直方图均衡化，以了解更多信息. 它给出了很好的解释并提供了一些示例，以便您阅读后可以理解所有内容. 同样，我们将看到其Numpy实现. 之后，我们将看到OpenCV函数.

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()

如您所见，直方图位于较亮的区域. 我们需要一个完整的频谱. 为此，我们需要一个转换函数，将较亮区域中的输入像素映射到整个区域中的输出像素. 这就是直方图均衡的作用.

现在，我们找到了最小的直方图值（不包括0），并应用了Wiki页面中给出的直方图均衡方程. 但是我使用了Numpy的mask数组的概念数组. 对于掩码数组opencv直方图均衡化，所有操作都在非掩码元素上执行.

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')

现在，我们有一个查找表，其中提供了有关每个输入像素值的输出像素值的信息. 所以我们只应用转换.

img2 = cdf[img]

现在我们像以前一样计算其直方图和cdf，结果如下:

另一个重要的功能是，即使图像是较暗的图像（而不是我们使用的较亮的图像），在均衡后，我们将获得几乎相同的图像. 因此，它用作“参考工具”，以使所有图像具有相同的照明条件. 这在许多情况下很有用. 例如，在人脸识别中，在训练人脸数据之前，人脸的图像是统一的，因此它们具有相同的光照条件.

OpenCV中的直方图均衡化

OpenCV具有执行此操作的功能cv.equalizeHist（）. 它的输入只是一个灰度图像，输出是我们的直方图均衡图像.

img = cv.imread('wiki,jpg', 0)
equ = cv.equalizeHist(img)
res = np.hstack((img, equ)) # 并排叠加图片
cv.imwrite('res.png', res)

因此，现在您可以在不同的光照条件下拍摄不同的图像，进行平衡并检查结果.

当图像的直方图限制在特定区域时，直方图均衡非常好. 在强度变化较大的地方，直方图会覆盖较大的区域，例如亮像素和暗像素，这不容易使用.

CLAHE（对比度受限的自适应直方图均衡化）

我们刚刚看到的第一个直方图均衡化考虑了图像的整体对比度. 在许多情况下，这不是一个好主意. 例如，下图显示了输入图像及其在全局直方图均衡后的结果.

在直方图均衡后，背景对比度得到了改善. 但是在两个图像中比较雕像的面孔. 由于亮度高，我们丢失了大部分信息. 这是因为它的直方图不限于特定区域，如我们在上一个示例中看到的那样.

为了解决这个问题，可以使用自适应直方图均衡. 在这一点上，图像被分为几个小块，称为“瓦片”（OpenCV中的默认值为8x8）. 然后，每个正方形都像通常一样是直方图. 因此，直方图将被限制在较小的区域（除非有噪音）. 如果有噪音，它将被放大. 为了避免这种情况，将应用对比度限制. 如果任何直方图bin超过指定的对比度限制（默认为40），则在应用直方图均衡之前，这些像素将被裁剪并均匀地分布到其他bin中. 均衡后，删除边界中的伪像，并使用双线性插值.

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)

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-288929-1.html