直方图均衡化实现

原文链接：点击打开链接

相比C++而言，Python适合做原型。本系列的文章介绍如何在Python中用OpenCV图形库，以及与C++调用相应OpenCV函数的不同之处。这篇文章介绍在Python中使用OpenCV和NumPy对直方图进行均衡化处理。

提示：

• 转载请详细注明原作者及出处，谢谢！
  
• 本文不介详细的理论知识，读者可从其他资料中获取相应的背景知识。笔者推荐清华大学出版社的《图像处理与计算机视觉算法及应用(第2版) 》，对于本节的内容，建议直接参考维基百科直方图均衡化，只需看下页面最后的两幅图就能懂了。

本文内容：

• 使用查找表拉伸直方图
• 使用OpenCV和NumPy的函数以不同的方式进行直方图均衡化
  

在某些情况下，一副图像中大部分像素的强度都集中在某一区域，而质量较高的图像中，像素的强度应该均衡的分布。为此，可将表示像素强度的直方图进行拉伸，将其平坦化。如下：

图来自维基百科

实验数据

本节的实验数据来自维基百科，原图如下：

其直方图为：

使用查找表来拉伸直方图

在图像处理中，直方图均衡化一般用来均衡图像的强度，或增加图像的对比度。在介绍使用直方图均衡化来拉伸图像的直方图之前，先介绍使用查询表的方法。

观察上图中原始图像的直方图，很容易发现大部分强度值范围都没有用到。因此先检测图像非0的最低（imin）强度值和最高（imax）强度值。将最低值imin设为0，最高值imax设为255。中间的按255.0*(i-imin)/(imax-imin)+0.5)的形式设置。

实现的任务主要集中在查询表的创建中，代码如下：

1. minBinNo, maxBinNo = 0, 255
3. #计算从左起第一个不为0的直方图位置
4. for binNo, binValue in enumerate(hist):
5. if binValue != 0:
6. minBinNo = binNo
7. break
8. #计算从右起第一个不为0的直方图位置
9. for binNo, binValue in enumerate(reversed(hist)):
10. if binValue != 0:
11. maxBinNo = 255-binNo
12. break
13. print minBinNo, maxBinNo
15. #生成查找表，方法来自参考文献1第四章第2节
16. for i,v in enumerate(lut):
17. print i
18. if i < minBinNo:
19. lut[i] = 0
20. elif i > maxBinNo:
21. lut[i] = 255
22. else:
23. lut[i] = int( 255.0*(i-minBinNo)/(maxBinNo-minBinNo)+ 0.5)

查询表创建完成后，就直接调用相应的OpenCV函数即可，这里调用的是cv2.LUT函数：

1. #计算
2. result = cv2.LUT(image, lut)

cv2.LUT函数只有两个参数，分别为输入图像和查找表，其返回处理的结果，完整代码如下：

1. #coding=utf-8
2. import cv2
3. import numpy as np
5. image = cv2.imread( "D:/test/unequ.jpg", 0)
6. lut = np.zeros( 256, dtype = image.dtype ) #创建空的查找表
7. hist= cv2.calcHist([image], #计算图像的直方图
8. [ 0], #使用的通道
9. None, #没有使用mask
10. [ 256], #it is a 1D histogram
11. [ 0.0, 255.0])
13. minBinNo, maxBinNo = 0, 255
15. #计算从左起第一个不为0的直方图柱的位置
16. for binNo, binValue in enumerate(hist):
17. if binValue != 0:
18. minBinNo = binNo
19. break
20. #计算从右起第一个不为0的直方图柱的位置
21. for binNo, binValue in enumerate(reversed(hist)):
22. if binValue != 0:
23. maxBinNo = 255-binNo
24. break
25. print minBinNo, maxBinNo
27. #生成查找表，方法来自参考文献1第四章第2节
28. for i,v in enumerate(lut):
29. print i
30. if i < minBinNo:
31. lut[i] = 0
32. elif i > maxBinNo:
33. lut[i] = 255
34. else:
35. lut[i] = int( 255.0*(i-minBinNo)/(maxBinNo-minBinNo)+ 0.5)
37. #计算
38. result = cv2.LUT(image, lut)
39. cv2.imshow( "Result", result)
40. cv2.imwrite( "LutImage.jpg", result)
41. cv2.waitKey( 0)
42. cv2.destroyAllWindows()

直方图结果如下，可以看到原来占的区域很小的直方图尖峰被移动了：

处理结果为：

关于直方图的绘制，请参考这篇文章。

直方图均衡化

介绍

有时图像的视觉上的缺陷并不在强度值集中在很窄的范围内。而是某些强度值的使用频率很大。比如第一幅图中，灰度图中间值的占了很大的比例。

在完美均衡的直方图中，每个柱的值都应该相等。即50%的像素值应该小于128，25%的像素值应该小于64。总结出的经验可定义为：在标准的直方图中p%的像素拥有的强度值一定小于或等于255×p%。将该规律用于均衡直方图中：强度i的灰度值应该在对应的像素强度值低于i的百分比的强度中。因此，所需的查询表可以由下面的式子建立：

lut[i] = int(255.0 *p[i]) #p[i]是是强度值小于或等于i的像素的数目。

p[i]即直方图累积值，这是包含小于给点强度值的像素的直方图，以代替包含指定强度值像素的数目。比如第一幅图像的累计直方图如下图中的蓝线：

而完美均衡的直方图，其累积直方图应为一条斜线，如上图中均衡化之后的红线。

更专业一点，这种累积直方图应称为累积分布（cumulative distribition）。在NumPy中有一个专门的函数来计算。这在NumPy实现直方图均衡化一节中介绍。

通过上面的介绍，应该可以明白，直方图均衡化就是对图像使用一种特殊的查询表。在第三个例子中可以看到使用查询表来获得直方图均衡化的效果。通常来说，直方图均衡化大大增加了图像的表象。但根据图像可视内容的不同，不同图像的直方图均衡化产生的效果不尽相同。

直方图均衡化之OpenCV函数实现

用OpenCV实现直方图均衡化很简单，只需调用一个函数即可：

1. img = cv2.imread( '图像路径', 0)
2. equ = cv2.equalizeHist(img)
3. cv2.imshow( 'equ',equ)

这样图像就均衡化了。可以通过 直方图的计算与显示 这篇文章中介绍的方法将结果绘制出来。

直方图均衡化之NumPy函数实现

通过前面的介绍，可以明白直方图均衡化就是用一种特殊的查找表来实现的。所以这里用NumPy函数，以查找表的方式手动实现图像直方图的均衡化：

1. #coding=utf-8
2. import cv2
3. import numpy as np
5. image = cv2.imread( "D:/test/unequ.jpg", 0)
7. lut = np.zeros( 256, dtype = image.dtype ) #创建空的查找表
9. hist,bins = np.histogram(image.flatten(), 256,[ 0, 256])
10. cdf = hist.cumsum() #计算累积直方图
11. cdf_m = np.ma.masked_equal(cdf, 0) #除去直方图中的0值
12. cdf_m = (cdf_m - cdf_m.min())* 255/(cdf_m.max()-cdf_m.min()) #等同于前面介绍的lut[i] = int(255.0 *p[i])公式
13. cdf = np.ma.filled(cdf_m, 0).astype( 'uint8') #将掩模处理掉的元素补为0
15. #计算
16. result2 = cdf[image]
17. result = cv2.LUT(image, cdf)
19. cv2.imshow( "OpenCVLUT", result)
20. cv2.imshow( "NumPyLUT", result2)
21. cv2.waitKey( 0)
22. cv2.destroyAllWindows()

最终结果

验证

比较查找表和OpenCV直方图均衡化生成的直方图：

可以看出，总体上来看是吻合的，但OpenCV中函数的实现 可能 还有一些细微的差别（有空去翻下源码，不过今天就先到这里了）。

参考资料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

3、http://opencvpython.blogspot.com/2013/03/histograms-2-histogram-equalization.html

如果觉得本文写的还可以的话，请轻点“顶”，您的支持是我写下去的动力之一。未完待续。。。如有错误请指正，本人会虚心接受并改正！谢谢！