Python----计算机视觉处理（Opencv:直方图均衡化)

发布于：2025-03-25 ⋅ 阅读:(28) ⋅ 点赞:(0)

一、直方图

        是一个反映图像像素分布的统计图，其横坐标就是图像像素的取值， 个数的统计。 纵坐标是该像

二、直方图均衡化作用

1. 增强对比度：可以使图像中的灰度分布更加均匀，从而增强图像的对比度， 使得图像中的细节更加清晰。

2. 提高图像质量：直方图均衡化可以改善图像的视觉效果，使得图像更加鲜明生动。

三、直方图均衡的应用场景

1. 医学影像处理：X光片、CT扫描、核磁共振图像等都会用到直方图均衡化。

2. 摄影：可以改善照片的对比度和色彩平衡，使图像更加生动，色彩更鲜艳。

3. 卫星图像处理：用来增强图像质量，提高图像解译的准确性。

四、直方图均衡化

        一副效果好的图像通常在直方图上的分布比较均匀，直方图均衡化就是用来改善图像的全局亮度和对比 度。通俗的讲，就是遍历图像的像素统计出灰度值的个数、比例与累计比例，并重新映射到0-255范围 （也可以是其他范围）内，其实从观感上就可以发现，下面两幅图中前面那张图偏白，后面那幅图分布更均匀。

        可以看到均衡化后图片的亮度和对比度效果明显好于原图。

        对于直方图均衡化这个组件，其参数hist_method代表直方图均衡化方法，它有两个取值： equalizeHist，createCLAHE。下面会分别说明这两个参数： equalizeHist：原始的直方图均衡化，通过调整图像像素值的分布，使得图像的对比度和亮度得到改善。

        该方法适用于图像的灰度分布不均匀，且灰度分布集中在更窄的范围，图像的细节不够清晰且对比度较 低的情况，然而，传统的直方图均衡化方法会引入噪声，并导致图像中出现过度增强的区域。

        直方图均衡化方法不会考虑到图像的局部特征和全局对比度的差异

         很明显，均衡化全局调整亮度和对比度的原因，脸部太亮，大部分细节都丢失了。自适应均衡化就是用来 解决这一问题的：它在每一个小区域内（默认8×8）进行直方图均衡化。当然，如果有噪点的话，噪点 会被放大，需要对小区域内的对比度进行了限制。

        在网格中，在给定像素值附近的对比度放大由变换函数的斜率给出。这与邻域累积分布函数(CDF)的斜率成正比，因此与该像素值处的直方图值成正比。CLAHE通过在计算CDF之前将直方图裁剪到预定义值来限制放大。这限制了CDF的斜率，因此也限制了变换函数的斜率。直方图被裁剪的值，即所谓的剪切极限，取决于直方图的归一化，因此也取决于邻域的大小。公共值将产生的放大限制在3到4之间。最好不要丢弃直方图中超过剪辑限制的部分，而是在所有直方图箱中均匀地重新分配。

        重新分配将再次推动一些箱子超过剪辑限制(图中区域为绿色阴影)，从而产生一个有效的剪辑限制，该限制大于规定的限制，其确切值取决于图像。如果不希望出现这种情况，则可以递归地重复重新分配过程，直到多余部分可以忽略为止。

所以这个算法全称叫：对比度受限的自适应直方图均 衡化CLAHE(Contrast Limited Adaptive Histogram Equalization)。

其主要步骤为：

        1. 将图像分为大小相同的矩形块，块分的越细，图像对比度调整效果相对越好。

        2. 统计每个块的图像直方图信息，并生成均衡化直方图H。

        3. 根据设置的限制参数强度，对直方图信息进行重新分配：

                1. 设置一个阈值T，将均衡化后直方图，从H[0]到H[255]上依次遍历，把大于阈值T的都全部减 去，并统计一共减去了多少像素。

                2. 将减去的像素值的加和除以缩放的范围，就是每个灰度值要添加的像素点。

        4. 然后重复2、3步骤，直到只有可忽略的部分会超过阈值为止。如果出现无法平均分配的，就在直方 图上等间距分配即可。

        5. 为了保证每个区域块之间的颜色的连续性，需要通过插值算法来进行计算每个像素点的像素值， 即：

                1. 对分割好的每个块，找到其中心点，如下图里的黑色点就是其周围黑色实线边框的中心点，然 后利用上面的方法计算出中心点均衡化之后的像素值。

                2. 对整个图像来说，将其中的所有的像素点分为三大类，第一类是处于四个顶点位置的点（也就 是下图中红色区域的点，其周围只有一个黑色中心点），该区域内的点是使用上面方法所得到 的结果。第二类是处于边缘区域的点（也就是下图中绿色区域的点，其周围有两个黑色中心像 素点），该区域内的点就是采用单线性插值来得到其均衡化的结果。第三类是处于中间区域的 点（也就是下图中蓝色区域的点，其周围有四个黑色中心像素点），该区域内的点根据周围的 四个黑色中心像素点采用双线性插值得到均衡化的结果。

五、均衡化

5.1、直方图均衡化

导入模块

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

输入图像

img=cv2.imread('hailu.jpg')

灰度化

img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

绘制直方图

def calcAndDrawHist(img_gray):
    img_hist = cv2.calcHist([img_gray], [0], None, [256], [0, 256])
    minVal,maxVal,minLoc,maxLoc=cv2.minMaxLoc(img_hist)
    histImg=np.zeros((256,256,3),dtype=np.uint8)
    temp=int(256*0.9)
    for i in range(256):
        intensity = int(temp * img_hist[i].item() / maxVal)
        cv2.line(histImg,(i,256),(i,256-intensity),(255,0,0))
    return histImg
img_gray_hist=calcAndDrawHist(img_gray)

 或

plt.hist(img_gray.ravel(), 256)
plt.show()

均衡化

img_equalizeHist=cv2.equalizeHist(img_gray)

绘制均衡化直方图

img_equalizeHist_hist=calcAndDrawHist(img_equalizeHist)

输出图像

cv2.imshow('img_gray',img_gray)
cv2.imshow('img_gray_hist',img_gray_hist)

cv2.imshow('img_equalizeHist',img_equalizeHist)
cv2.imshow('img_equalizeHist_hist',img_equalizeHist_hist)

cv2.waitKey(0)

完整代码

import cv2  # 导入OpenCV库，用于图像处理  
import numpy as np  # 导入NumPy库，用于数值计算  
from matplotlib import pyplot as plt  # 导入matplotlib库用于绘图  

# 定义计算并绘制直方图的函数  
def calcAndDrawHist(img_gray):  
    # 计算灰度图像的直方图  
    img_hist = cv2.calcHist([img_gray], [0], None, [256], [0, 256])  
    # 获取直方图的最小值、最大值及其位置  
    minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(img_hist)  

    # 创建一个空的图像用于绘制直方图（256x256像素，3个通道颜色）  
    histImg = np.zeros((256, 256, 3), dtype=np.uint8)  
    temp = int(256 * 0.9)  # 设置直方图绘制的高度比例  

    # 绘制直方图  
    for i in range(256):  
        intensity = int(temp * img_hist[i].item() / maxVal)  # 根据最大值调整线条高度  
        cv2.line(histImg, (i, 256), (i, 256 - intensity), (255, 0, 0))  # 使用红色绘制直方图线条  

    return histImg  # 返回绘制后的直方图图像  

# 读取图像  
img = cv2.imread('hailu.jpg')  

# 将彩色图像转换为灰度图像  
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  

# 计算并绘制灰度图像的直方图  
img_gray_hist = calcAndDrawHist(img_gray)  

# 对灰度图像进行直方图均衡化  
img_equalizeHist = cv2.equalizeHist(img_gray)  

# 计算并绘制均衡化后的图像直方图  
img_equalizeHist_hist = calcAndDrawHist(img_equalizeHist)  

# 使用matplotlib绘制灰度图像的直方图  
plt.hist(img_gray.ravel(), 256)  

# 显示灰度图像  
cv2.imshow('img_gray', img_gray)  

# 显示灰度图像的直方图  
cv2.imshow('img_gray_hist', img_gray_hist)  

# 显示均衡化后的灰度图像  
cv2.imshow('img_equalizeHist', img_equalizeHist)  

# 显示均衡化后的图像的直方图  
cv2.imshow('img_equalizeHist_hist', img_equalizeHist_hist)  

# 显示使用matplotlib绘制的直方图  
plt.show()  

# 等待按键事件  
cv2.waitKey(0)

5.2、自适应均衡化

导入模块

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

输入图像

img=cv2.imread('hailu.jpg')

灰度化

img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

绘制直方图

def calcAndDrawHist(img_gray):
    img_hist = cv2.calcHist([img_gray], [0], None, [256], [0, 256])
    minVal,maxVal,minLoc,maxLoc=cv2.minMaxLoc(img_hist)
    histImg=np.zeros((256,256,3),dtype=np.uint8)
    temp=int(256*0.9)
    for i in range(256):
        intensity = int(temp * img_hist[i].item() / maxVal)
        cv2.line(histImg,(i,256),(i,256-intensity),(255,0,0))
    return histImg
img_gray_hist=calcAndDrawHist(img_gray)

 或

plt.hist(img_gray.ravel(), 256)
plt.show()

自适应均衡化

clahe=cv2.createCLAHE(2,(8,8))
img_clahe=clahe.apply(img_gray)

绘制均衡化直方图

img_clahe_hist=calcAndDrawHist(img_clahe)

输出图像

plt.hist(img_gray.ravel(), 256)
plt.hist(img_clahe.ravel(), 256)

cv2.imshow('img_gray',img_gray)
cv2.imshow('img_gray_hist',img_gray_hist)

cv2.imshow('img_clahe',img_clahe)
cv2.imshow('img_clahe_hist',img_clahe_hist)

plt.show()
cv2.waitKey(0)

完整代码

import cv2  # 导入OpenCV库，用于图像处理  
import numpy as np  # 导入NumPy库，用于数值计算  
from matplotlib import pyplot as plt  # 导入matplotlib库用于绘图  

# 定义计算并绘制灰度图像直方图的函数  
def calcAndDrawHist(img_gray):  
    # 计算灰度图像的直方图  
    img_hist = cv2.calcHist([img_gray], [0], None, [256], [0, 256])  
    # 获取直方图的最小值、最大值及其位置  
    minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(img_hist)  

    # 创建一个空的图像用于绘制直方图（256x256像素，3个通道颜色）  
    histImg = np.zeros((256, 256, 3), dtype=np.uint8)  
    temp = int(256 * 0.9)  # 设置直方图绘制的高度比例  

    # 绘制直方图  
    for i in range(256):  
        # 计算每个强度值的显示高度  
        intensity = int(temp * img_hist[i].item() / maxVal)  
        # 使用红色绘制直方图线条  
        cv2.line(histImg, (i, 256), (i, 256 - intensity), (255, 0, 0))  

    return histImg  # 返回绘制后的直方图图像  

# 读取图像  
img = cv2.imread('hailu.jpg')  

# 将彩色图像转换为灰度图像  
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  

# 计算并绘制灰度图像的直方图  
img_gray_hist = calcAndDrawHist(img_gray)  

# 创建CLAHE对象，设置对比度限制和网格大小  
clahe = cv2.createCLAHE(2, (8, 8))  
# 应用CLAHE进行图像增强  
img_clahe = clahe.apply(img_gray)  
# 计算并绘制均衡化后图像的直方图  
img_clahe_hist = calcAndDrawHist(img_clahe)  

# 使用matplotlib绘制原灰度图像和CLAHE均衡化图像的直方图  
plt.hist(img_gray.ravel(), 256, color='blue', alpha=0.5, label='Original')  
plt.hist(img_clahe.ravel(), 256, color='red', alpha=0.5, label='CLAHE')  
plt.legend()  # 显示图例  

# 显示灰度图像  
cv2.imshow('img_gray', img_gray)  

# 显示灰度图像的直方图  
cv2.imshow('img_gray_hist', img_gray_hist)  

# 显示经过CLAHE处理后的图像  
cv2.imshow('img_clahe', img_clahe)  

# 显示CLAHE处理后图像的直方图  
cv2.imshow('img_clahe_hist', img_clahe_hist)  

# 显示使用matplotlib绘制的直方图  
plt.show()  

# 等待按键事件  
cv2.waitKey(0)

六、库函数

6.1、calcHist()

计算一组数组的直方图。

函数 cv：：calcHist 计算一个或多个数组的直方图。用于递增直方图箱的元组元素取自同一位置的相应输入数组。

cv.calcHist(	images, channels, mask, histSize, ranges[, hist[, accumulate]]	) ->	hist
方法 描述
images 源数组。它们都应该具有相同的深度、CV_8U、CV_16U 或 CV_32F 以及相同的大小。它们中的每一个都可以有任意数量的通道。
nimages 源图像的数量。
channels 用于计算直方图的 dims 通道列表。第一个数组通道从 0 到 images[0].channels（）-1 ，第二个数组通道从 images[0].channels（） 计数到 images[0].channels（） + images[1].channels（）-1，依此类推。
mask 可选掩码。如果矩阵不为空，则它必须是与 images[i] 大小相同的 8 位数组。非零掩码元素标记直方图中计数的数组元素。
hist 输出直方图，它是一个密集或稀疏的 dims -dimensional 数组。
dims 直方图维数必须为正且不大于 CV_MAX_DIMS（等于当前 OpenCV 版本中的 32）。
histSize 每个维度中的直方图大小数组。
ranges 每个维度中直方图箱边界的 dims 数组的数组。当直方图是均匀的（ uniform =true）时，对于每个维度 i，指定第 0 个直方图 bin 的下边界（包括L_0）和最后一个直方图 bin histSize[i]-1 的上（不含）边界 \（U_{\texttt{histSize}[i]-1}\） 就足够了。也就是说，在统一直方图的情况下，每个 ranges[i] 都是 2 个元素的数组。当直方图不均匀时 （ uniform=false ），则每个范围 [i] 都包含 histSize[i]+1 元素：\（L_0， U_0=L_1， U_1=L_2， ...， U_{\texttt{histSize[i]}-2}=L_{\texttt{histSize[i]}-1}， U_{\texttt{histSize[i]}-1}\） 。不在 \（L_0\） 和 \（U_{\texttt{histSize[i]}-1}\） 之间的数组元素不计入直方图。
uniform 指示直方图是否均匀的标志
accumulate 累积标志。如果已设置，则在分配直方图时，不会在开始时清除直方图。此功能使您能够从多组数组中计算单个直方图，或及时更新直方图。

6.2、minMaxLoc()

查找数组中的全局最小值和最大值。

函数 cv：：minMaxLoc 查找最小和最大元素值及其位置。在整个数组中搜索极值，或者，如果 mask 不是空数组，则在指定的数组区域中搜索极值。

在 C++ 中，如果输入是多通道的，则应省略 minLoc、maxLoc 和 mask 参数（即分别将它们保留为 NULL、NULL 和 noArray（））。多通道 input 数组不支持这些参数。如果使用多通道输入，并且你需要 minLoc、maxLoc 或 mask 参数，那么首先使用 Mat：：reshape 将数组重新解释为单通道。或者，您可以使用 extractImageCOI、mixChannel 或 split 提取特定通道。

在 Python 中，由于绑定生成过程的限制（无法将 minLoc 和 maxLoc 设置为 NULL），因此根本不支持多通道输入。一种解决方法是单独对每个通道进行作或使用 NumPy 实现相同的功能。

cv.minMaxLoc(	src[, mask]	) ->	minVal, maxVal, minLoc, maxLoc
方法 描述
src input单通道数组
minVal 指向返回的最小值的指针;如果不需要，则使用 NULL
maxVal 指向返回的最大值的指针;如果不需要，则使用 NULL。
minLoc 指向返回的最小位置的指针（在 2D 情况下）;如果不需要，则使用 NULL
maxLoc 指向返回的最大位置的指针（在 2D 情况下）;如果不需要，则使用 NULL。
mask 可选 mask 用于选择子数组

6.3、line()

绘制连接两点的线段。

函数 line 在图像中的 pt1 和 pt2 点之间绘制线段。该线被图像边界剪切。对于具有整数坐标的非抗锯齿线，使用 8 连通或 4 连通 Bresenham 算法。粗线绘制有圆角结尾。抗锯齿线是使用高斯过滤绘制的。

cv.line(	img, pt1, pt2, color[, thickness[, lineType[, shift]]]	) ->	img
方法 描述
img 图像
pt1 线条的第一个点
pt2 线段的第二个点。
color 线条颜色
thickness 线条粗细。
lineType 线路的类型。请参见 LineTypes。
shift 点坐标中的小数位数

6.4、equalizeHist()

cv.equalizeHist(	src[, dst]	) ->	dst
方法 描述
src 源 8 位单通道图像。
dst 与 src 大小和类型相同的目标图像。

6.5、createCLAHE()

创建指向 cv：：CLAHE 类的智能指针并对其进行初始化。

cv.createCLAHE(	[, clipLimit[, tileGridSize]]	) ->	retval
方法 描述
clipLimit 对比度限制的阈值。
tileGridSize 直方图均衡的网格大小。输入图像将被划分为大小相等的矩形图块。tileGridSize 定义行和列中的图块数。 
class CLAHE(Algorithm):
    # Functions
    @_typing.overload
    def apply(self, src: cv2.typing.MatLike, dst: cv2.typing.MatLike | None = ...) -> cv2.typing.MatLike: ...
    @_typing.overload
    def apply(self, src: UMat, dst: UMat | None = ...) -> UMat: ...

    def setClipLimit(self, clipLimit: float) -> None: ...

    def getClipLimit(self) -> float: ...

    def setTilesGridSize(self, tileGridSize: cv2.typing.Size) -> None: ...

    def getTilesGridSize(self) -> cv2.typing.Size: ...

    def collectGarbage(self) -> None: ...

6.6、ravel()

   ravel方法返回一个连续的数组，它尝试以最低的复制操作来返回展平后的数组

numpy.ndarray.ravel(order='C')
函数 说明
order 可选参数，‘C’ 表示按行，‘F’ 表示按列

ravel和flatten的区别：

        flatten 方法返回的是原数组的副本。这意味着返回的新数组与原数组是两个独 立的对象，对新数组的修改不会影响原数组。

        ravel 方法返回的是原数组的视图（view）或副本（copy），这取决于数组的 顺序。如果数组是连续的（C-style，行优先），则 ravel 返回的是视图，这意 味着对返回数组的修改会影响到原数组。如果数组不是连续的，则 的是副本。可以通过传递 order='F' 参数来请求列优先的视图。

网站公告

今日签到

点亮在社区的每一天
去签到

热门文章

最新发布