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:
![直方图均衡化实现_第1张图片](http://img.e-com-net.com/image/info8/61d1eb60404c41c29d034b25387a4d32.jpg)
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:
![直方图均衡化实现_第2张图片](http://img.e-com-net.com/image/info8/13a829759eed46098814f6b40591ea35.jpg)
其直方图为:
![直方图均衡化实现_第3张图片](http://img.e-com-net.com/image/info8/3467490fafd74c87ac265d5f62ce6d57.jpg)
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:
-
minBinNo, maxBinNo =
0,
255
-
-
-
for binNo, binValue
in enumerate(hist):
-
-
-
-
-
for binNo, binValue
in enumerate(reversed(hist)):
-
-
-
-
-
-
-
for i,v
in enumerate(lut):
-
-
-
-
-
-
-
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:
-
-
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:
-
-
-
-
-
image = cv2.imread(
"D:/test/unequ.jpg",
0)
-
lut = np.zeros(
256, dtype = image.dtype )
-
hist= cv2.calcHist([image],
-
-
-
-
-
-
minBinNo, maxBinNo =
0,
255
-
-
-
for binNo, binValue
in enumerate(hist):
-
-
-
-
-
for binNo, binValue
in enumerate(reversed(hist)):
-
-
-
-
-
-
-
for i,v
in enumerate(lut):
-
-
-
-
-
-
-
lut[i] = int(
255.0*(i-minBinNo)/(maxBinNo-minBinNo)+
0.5)
-
-
-
result = cv2.LUT(image, lut)
-
cv2.imshow(
"Result", result)
-
cv2.imwrite(
"LutImage.jpg", result)
-
-
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:
![直方图均衡化实现_第4张图片](http://img.e-com-net.com/image/info8/b3a74138685e409bbc1593053e497833.jpg)
处理结果为:
![直方图均衡化实现_第5张图片](http://img.e-com-net.com/image/info8/c4872b18b3204f72ab028614979f5162.jpg)
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]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:
![直方图均衡化实现_第6张图片](http://img.e-com-net.com/image/info8/5f82587c5b6a46caa83499707f75a59d.jpg)
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:
-
img = cv2.imread(
'图像路径',
0)
-
equ = cv2.equalizeHist(img)
-
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:
-
-
-
-
-
image = cv2.imread(
"D:/test/unequ.jpg",
0)
-
-
lut = np.zeros(
256, dtype = image.dtype )
-
-
hist,bins = np.histogram(image.flatten(),
256,[
0,
256])
-
-
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')
-
-
-
-
result = cv2.LUT(image, cdf)
-
-
cv2.imshow(
"OpenCVLUT", result)
-
cv2.imshow(
"NumPyLUT", result2)
-
-
最终结果
![直方图均衡化实现_第7张图片](http://img.e-com-net.com/image/info8/748d81fc418c4431850dd3e1a2ad9d8f.jpg)
验证
比较查找表和OpenCV直方图均衡化生成的直方图:
![直方图均衡化实现_第8张图片](http://img.e-com-net.com/image/info8/7bfaff456f474474a01593879e7c2360.jpg)
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!