详解python OpenCV学习笔记之直方图均衡化
作者:JS_XH 时间:2022-12-29 20:37:22
本文介绍了python OpenCV学习笔记之直方图均衡化,分享给大家,具体如下:
官方文档 – https://docs.opencv.org/3.4.0/d5/daf/tutorial_py_histogram_equalization.html
考虑一个图像,其像素值仅限制在特定的值范围内。例如,更明亮的图像将使所有像素都限制在高值中。但是一个好的图像会有来自图像的所有区域的像素。所以你需要把这个直方图拉伸到两端(如下图所给出的),这就是直方图均衡的作用(用简单的话说)。这通常会改善图像的对比度。
建议阅读关于直方图均衡的wikipedia页面Histogram Equalization,了解更多有关它的详细信息。它给出了一个很好的解释,给出了一些例子,这样你就能在读完之后理解所有的东西。同样,我们将看到它的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()
你可以看到,直方图位于更亮的区域。我们需要完整的频谱。为此,我们需要一个转换函数,它将更亮区域的输入像素映射到全区域的输出像素。这就是直方图均衡所做的。
现在我们找到了最小的直方图值(不包括0),并应用了在wiki页面中给出的直方图均衡等式。但我用在Numpy的遮罩数组的概念数组上。对于遮罩数组,所有操作都是在非遮罩元素上执行的。
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')
现在我们有了一个查找表,它提供了关于每个输入像素值的输出像素值的信息。所以我们只要应用变换。
img2 = cdf[img]
现在我们计算它的直方图和cdf,就像之前一样,结果如下:
另一个重要的特征是,即使图像是一个较暗的图像(而不是我们使用的更亮的图像),在均衡之后,我们将得到几乎相同的图像。因此,它被用作一种“参考工具”,使所有的图像都具有相同的光照条件。这在很多情况下都很有用。例如,在人脸识别中,在对人脸数据进行训练之前,人脸的图像是均匀的,使它们具有相同的光照条件。
OpenCV中的直方图均衡化
OpenCV有一个函数可以这样做,cv.equalizeHist()
。它的输入只是灰度图像,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)
所以现在你可以用不同的光条件来拍摄不同的图像,平衡它,并检查结果。
当图像的直方图被限制在一个特定的区域时,直方图均衡是很好的。在那些有很大强度变化的地方,直方图覆盖了一个大区域,比如明亮的和暗的像素,这样的地方就不好用了。
CLAHE(对比有限的自适应直方图均衡/Contrast Limited Adaptive Histogram Equalization)
我们刚刚看到的第一个直方图均衡化,考虑到图像的全局对比。在很多情况下,这不是一个好主意。例如,下图显示了一个输入图像及其在全局直方图均衡之后的结果。
在直方图均衡化之后,背景对比得到了改善。但是比较两幅图像中的雕像的脸。由于亮度过高,我们丢失了大部分的信息。这是因为它的直方图并不局限于一个特定的区域,就像我们在前面的例子中看到的那样。
为了解决这个问题,可以使用了自适应直方图均衡。在这一点上,图像被划分为几个小块,称为“tiles”(在OpenCV中默认值是8x8)。然后每一个方块都是像平常一样的直方图。因此,直方图会限制在一个小区域(除非有噪声)。如果噪音在那里,它就会被放大。为了避免这种情况,会应用对比限制。如果任何直方图bin超出指定的对比度限制(默认情况下是40),在应用直方图均衡之前,这些像素被裁剪并均匀地分布到其他bin。均衡后,删除边界中的工件,采用双线性插值。
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)
来源:http://blog.csdn.net/JS_XH/article/details/79263572
![](/images/zang.png)
![](/images/jiucuo.png)
猜你喜欢
Laravel 5使用Laravel Excel实现Excel/CSV文件导入导出的功能详解
![](https://img.aspxhome.com/file/2023/3/129843_0s.png)
Python3中urlopen()的用法解读
Python使用pyfinance包进行证券收益分析
![](https://img.aspxhome.com/file/2023/6/107186_0s.png)
全面解析Windows下安装 mysql5.7的方法
python用tkinter实现一个gui的翻译工具
![](https://img.aspxhome.com/file/2023/5/121715_0s.png)
详解Python如何查看一个函数的参数
Python实现的自定义多线程多进程类示例
如何防止Application对象在多线程访问中出现错误?
python3 通过 pybind11 使用Eigen加速代码的步骤详解
![](https://img.aspxhome.com/file/2023/7/80497_0s.png)
Python数据类型之列表和元组的方法实例详解
![](https://img.aspxhome.com/file/2023/4/107814_0s.jpg)
python基于pyppeteer制作PDF文件
![](https://img.aspxhome.com/file/2023/7/89077_0s.png)
pygame多种方式实现屏保操作(自动切换、鼠标切换、键盘切换)
![](https://img.aspxhome.com/file/2023/7/95187_0s.gif)
快速了解python leveldb
Python如何将给定字符串中的大写英文字母按以下对应规则替换
![](https://img.aspxhome.com/file/2023/6/101256_0s.png)
Python pyecharts数据可视化实例详解
![](https://img.aspxhome.com/file/2023/2/60712_0s.png)
VUE中的export default和export使用方法解析
Mysql之SQL Mode用法详解
基于python 将列表作为参数传入函数时的测试与理解
Quoted-printable 编码介绍、Quoted-printable编码解码转换方法
![](https://img.aspxhome.com/file/2023/8/127238_0s.png)
解决Python二维数组赋值问题
![](https://img.aspxhome.com/file/2023/6/127626_0s.jpg)