opencv学习- 对比度增强

1 灰度直方图

• 什么是灰度直方图
  灰度直方图是图像灰度级的函数，用来描述每个灰度级在图像矩阵中的像素个数或者占有率。
  如：
  $$I=\left(\begin{array}{cccc}10& 15& 55& 145\\ 15& 10& 10& 55\\ 1& 12& 10& 145\\ 90& 180& 0& 125\end{array}\right)$$
  直方图的横坐标代表灰度级(0~255)，纵坐标代表每一个灰度级出现的次数
  即0在$I$中的占有率为$\frac{1}{16}$,10在$I$中的占有率为$\frac{4}{16}$…

python实现

• 代码版

import numpy as np
import cv2
import matplotlib.pyplot as plt
#定义calcGrayHist函数来计算每个灰度级的出现的次数 
def calcGrayHist(image):
    # 灰度图像的高、宽
    rows, cols = image.shape
    # 存储灰度直方图
    grayHist = np.zeros([256], np.uint64) #图像的灰度级范围是0~255      
    for r in range(rows):
        for c in range(cols):
            grayHist[image[r][c]] +=1
                    
    return grayHist
 
if __name__ == "__main__":
    img = cv2.imread(r'C:\Users\h\Desktop\image\lena.jpg', cv2.IMREAD_GRAYSCALE)
    #计算灰度直方图
    grayHist = calcGrayHist(img)
    #画出直方图
    x_range = range(256)
    plt.plot(x_range, grayHist, 'r', linewidth=2, c='orange')
    #设置坐标轴的范围
    y_maxValue = np.max(grayHist)
    plt.axis([0, 255, 0, y_maxValue]) #画图范围
    plt.xlabel("gray Level")
    plt.ylabel("number of pixels")
    plt.show()

• API版

from matplotlib import pyplot as plt
import cv2
 
img = cv2.imread(r'C:\Users\h\Desktop\image\lena.jpg', cv2.IMREAD_GRAYSCALE)
plt.imshow(img, cmap=plt.cm.gray)
 
#images，必须用方括号括起来,一维数组 
#channels，是用于计算直方图的通道，这里使用灰度图计算直方图，所以就直接使用第一个通道。
#Mask，图像掩模，没有使用则填写None。
#histSize，表示这个直方图分成多少份（即多少个直方柱）。
#ranges，表示直方图中各个像素的值，[0.0, 256.0]表示直方图能表示像素值从0.0到256的像素。
#accumulate，为一个布尔值，用来表示直方图是否叠加。
 
hist = cv2.calcHist([img], [0], None, [256], [0, 256])
 
plt.figure()
plt.title("Grayscale Histogram")
plt.xlabel("gray Level")
plt.ylabel("number of pixels")
 
plt.plot(hist)
plt.xlim([0, 256])
plt.show()

2 彩色直方图

类似于灰度直方图处理

from matplotlib import pyplot as plt
import cv2
 
img = cv2.imread(r'C:\Users\h\Desktop\image\lena.jpg', cv2.IMREAD_ANYCOLOR)
 
chans = cv2.split(img)
colors = ('b', 'g', 'r')
 
plt.figure()
plt.title("Color Histogram")
plt.xlabel("gray Level")
plt.ylabel("number of pixels")
 
for (chan, color) in zip(chans, colors):
    hist = cv2.calcHist([chan], [0], None, [256], [0, 256])
    plt.plot(hist, color = color)  # 赋予各自颜色 
    plt.xlim([0, 256])  # 设置当前x轴 
plt.show()

---

3 直方图正规化

假设输入图像为$I$，将最小灰度级记为$I_{min}$，最大灰度级记为$I_{max}$。
输出图像为$O$，灰度级范围为$[O_{min},O_{max}]$,则
$$O=\frac{I-I_{min}}{I_{max}-I_{min}}(O_{max}-O_{min})+O_{min}$$
一般令$O_{max}=255$,$O_{min}=0$.

---

API

cv2.normalize(src, dst, alpha, beta, norm_type, dtype, mask)

详细:

src-输入数组
dst-输出数组，支持原地运算
alpha-range normalization模式的最小值
beta-range normalization模式的最大值，不用于norm normalization(范数归一化)模式。
normType-归一化的类型，可以有以下的取值：
1. NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围，线性归一化，一般较常用。
2. NORM_INF: 此类型的定义没有查到，根据OpenCV 1的对应项，可能是归一化数组的C-范数(绝对值的最大值)
3.NORM_L1 : 归一化数组的L1-范数(绝对值的和)
4.NORM_L2: 归一化数组的(欧几里德)L2-范数
dtype-dtype为负数时，输出数组的type与输入数组的type相同；否则，输出数组与输入数组只是通道数相同，而tpye=CV_MAT_DEPTH(dtype).
mask-操作掩膜，用于指示函数是否仅仅对指定的元素进行操作。

适用于：灰度级主要在0 ~ 150之间，造成图像对比度较低，可用直方图归一化将图像灰度级拉伸到0~255,使其更清晰。

#直方图正规化API
#灰度级主要在0~150之间，造成图像对比度较低，可用直方图正规化将图像灰度级拉伸到0~255,使其更清晰
import cv2
import numpy as np
import matplotlib.pyplot as plt
 
#灰度图像转化为ndarray类型
if __name__ == "__main__":
    src = cv2.imread(r'C:\Users\h\Desktop\image\low.jpg', cv2.IMREAD_ANYCOLOR)
    # dst = np.zeros_like(src)
    cv2.normalize(src, dst,0, 255, cv2.NORM_MINMAX, cv2.CV_8U) #公式
    cv2.imshow("src", src)
    cv2.imshow("dst", dst)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
    #计算灰度直方图
    grayHist = cv2.calcHist([src], [0], None, [256], [0, 256])
    grayHist1 = cv2.calcHist([dst], [0], None, [256], [0, 256])
    #画出直方图
    x_range = range(256)
    plt.plot(x_range, grayHist, 'r', linewidth=1.5, c='black')
    plt.plot(x_range, grayHist1, 'r', linewidth=1.5, c='b')
    #设置坐标轴的范围
    y_maxValue = np.max(grayHist)
    plt.axis([0, 255, 0, y_maxValue]) #画图范围
    plt.xlabel("gray Level")
    plt.ylabel("number of pixels")
    plt.show()

normalize可以处理多通道矩阵，即彩色图片可以增强

4 伽码变换

伽马变换（非线性变换）实际上就是对矩阵的每个值进行幂运算
$$O(r,c)=I(r,c{)}^{\gamma },0\le r<H,0\le c<W$$
适用于：灰度值主要集中在灰度直方图两侧，即灰度值较低和较高的范围内，可用伽马变换修正

import cv2
import numpy as np
 
#灰度图像转化为ndarray类型
I = cv2.imread(r'C:\Users\h\Desktop\image\lena.jpg', cv2.IMREAD_ANYCOLOR)
#图像归一化
fI = I/255.0
#伽马变化
gamma = 0.4
O = np.power(fI, gamma)
 
#显示伽马变化后的结果
cv2.namedWindow("I", cv2.WINDOW_NORMAL)
cv2.namedWindow("O", cv2.WINDOW_NORMAL)
cv2.imshow("I", I)
cv2.imshow("O", O)
cv2.waitKey(0)
cv2.destroyAllWindows()

5 线性变换

假设输入图像为$I$，宽为$W$，高为$H$，输出图像为$O$，图像的线性变换为：
$$O(r,c)=a\ast I(r,c)+b,0\le r<H,0\le c<W$$
拉伸图像，提升对比度
压缩图像，降低对比度

import cv2
import numpy as np
    
img = cv2.imread(r'C:\Users\x\Desktop\OpenCV-Pic\4\img4.jpg', cv2.IMREAD_GRAYSCALE)#GRAYSCALE
 
#线性变换
a = 2
O = float(a) * img
O[O>255] = 255 #大于255要截断为255
    
#数据类型的转换
O = np.round(O)
O = O.astype(np.uint8)
    
#显示原图与变换后的图的效果
cv2.imshow("img", img)
cv2.imshow("O", O)
cv2.waitKey(0)
cv2.destroyAllWindows()

6 限制对比度的自适应直方图均衡化(CLAHE)

在出现过于高的对比度时(超出预设好的"限制对比度"，超出的部分会被裁剪，然后均匀分配到其他区域，这样就重构了直方图。

#限制对比度的自适应直方图均衡化
import cv2
 
src = cv2.imread(r'C:\Users\h\Desktop\image\lena.jpg', cv2.IMREAD_GRAYSCALE)

#创建CLAHE对象 clipLimit限制对比度，tileGridSize块的大小
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
#限制对比度的自适应阈值
dst = clahe.apply(src)
    
cv2.imshow("src", src)
cv2.imshow("clahe",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

节选：
原文：https://blog.csdn.net/qq_40755643/article/details/84032773

---

对比度的拉伸受图像噪声的影响会很明显，在去除噪声后再使用对比度增强效果会更好