雾看OpenCV(12-2)——直方图的均衡化

前言

本小节我们要学习直方图均衡化的概念，以及如何使用它来改善图片的对比度。
首先，了解一下对比度：图像对比度指的是一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量，即指一幅图像灰度反差的大小。差异范围越大代表对比越大，差异范围越小代表对比越小，好的对比率120:1就可容易地显示生动、丰富的色彩，当对比率高达300:1时，便可支持各阶的颜色。
将直方图进行横向拉伸就是直方图均衡化要做的事情。

正文

作用

直方图均衡化经常用来使所有的图片具有相同的亮度条件的参考 工具。这在很多情况下都很有用。例如，脸部识别，在训练分类器前，训练集 的所有图片都要先进行直方图均衡化从而使它们达到相同的亮度条件。

使用掩模数组对图像进行直方图均衡化

1. 在未对直方图进行处理前，图像的直方图是这样的。
   效果图
   
2. 处理后,整個亮度变的亮了一点。

code:

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

src = cv.imread("../../images/lena.jpg")
gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY)
# equal = cv.equalizeHist(gray)
# cv.imshow("gray",gray)
# cv.imshow("equal",equal)
# 用flatten()将数组变为一维
hist,bins = np.histogram(gray.flatten(),256,[0,256])

#计算累积分布图
cdf = hist.cumsum()

## 使用掩模数组
cdf_m = np.ma.masked_equal(cdf,0)#屏蔽一个等于给定值的数组。
cdf_m = (cdf_m-cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
cdf = np.ma.filled(cdf_m,0).astype('uint8')
img2 = cdf[gray]
cv.imshow("img2",img2)

# cdf_normalized = cdf*hist.max()/cdf.max()
plt.plot(cdf,color='b')
plt.hist(img2.flatten(),256,[0,256],color='r')
plt.xlim([0,256])

plt.legend(('cdf','histogram'),loc='upper left')
plt.show()

cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)
cv.imshow('input image', gray)
cv.waitKey(0)  # 等有键输入或者1000ms后自动将窗口消除，0表示只用键输入结束窗口

cv.destroyAllWindows()

掩码方式:

灰度图均衡化

效果图

code

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

def grayEqualization(image):
    gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
    dst = cv.equalizeHist(gray)
    cv.imshow("grayEqualization",dst)

src = cv.imread("../../images/lena.jpg")
gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY)
grayEqualization(src)#对灰度图进行均衡化

cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)
cv.imshow('input image', gray)
cv.waitKey(0)  # 等有键输入或者1000ms后自动将窗口消除，0表示只用键输入结束窗口

cv.destroyAllWindows()

彩色图像直方图均衡化

效果图

对彩色图像进行直方图的均衡化的要点就是要按照BGR的顺序将三通道进行分开，然后进行单独的直方图均衡化，然后再用merge函数进行合并。就可以得到上图了。
主要函数如下：
code

def colorImgEqualization(image):
    (b,g,r) = cv.split(image)
    bH = cv.equalizeHist(b)
    gH = cv.equalizeHist(g)
    rH = cv.equalizeHist(r)
    #合并每一个通道
    result = cv.merge((bH,gH,rH))
    cv.imshow("colorImgEqualization",result)

自适应直方图均衡化

由于普通的直方图均衡化虽然亮度提升了，但却会使我们丢失较多的信息，为了解决这个问题，我们需要使用自适应的直方图均衡化。这种情况下， 整幅图像会被分成很多小块，这些小块被称为“tiles”（在 OpenCV 中 tiles 的 大小默认是 8x8），然后再对每一个小块分别进行直方图均衡化（跟前面类似）。 所以在每一个的区域中，直方图会集中在某一个小的区域中（除非有噪声干 扰）。
效果图

从效果图中，经过自适应直方图均衡化，我们可以看到图片中雕塑的细节有了很大的改善。
code

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


src = cv.imread("../../images/diaosu.jpg")
gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY)
# 第二步: 使用cv2.equalizeHist实现像素点的均衡化
equalImage = cv.equalizeHist(gray)
cv.imshow("equalImage",equalImage)
clahe = cv.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))#clipLimit颜色对比度的阈值， titleGridSize进行像素均衡化的网格大小，即在多少网格下进行直方图的均衡化操作
cl1 = clahe.apply(gray)
cv.imshow('clahe_img', cl1)
cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)
cv.imshow('input image', gray)
cv.waitKey(0)  # 等有键输入或者1000ms后自动将窗口消除，0表示只用键输入结束窗口

cv.destroyAllWindows()

函数

numpy.ma详解

1. 当数组元素包括缺失值或异常值时，该数组被称为掩码数组。
2. 掩码数组是将标准的多维数组numpy.ndarray和掩码相结合。掩码要么是nomask，表示与该掩码有关数组的所有值都是有效的。要么是一个布尔值数组，用于确定关联数组的每个元素值是否有效。当掩码中某个元素值为False，那么关联数组的对应元素是有效的，即被认为是未掩码的。当掩码中某个元素值为True，那么关联数组的对应元素是无效的，即被认为是掩码的。
3. 掩码数组的使用：
   

参考

1. OpenCV-Python-Tutorial-中文版20160814.pdf