OpenCV基础（16）OpenCV直方图均衡化和自适应直方图均衡化(CLAHE)

在本教程中，您将学习使用OpenCV实现直方图均衡化和自适应直方图均衡化(CLAHE)。

直方图均衡化是一种基本的图像处理技术，通过更新图像直方图的像素强度分布来调整图像的全局对比度。这样做可以使低对比度的区域在输出图像中获得更高的对比度。

本质上，直方图均衡化的工作原理是:

• 1.计算图像像素强度的直方图
• 2.均匀展开并分布最频繁的像素值(即直方图中计数最大的像素值)
• 3.给出累积分布函数(CDF)的线性趋势

应用直方图均衡化的结果是得到一幅全局对比度更高的图像。

我们可以进一步改进直方图均衡化，采用一种称为对比度有限自适应直方图均衡化(CLAHE)的算法，从而获得更高质量的输出图像。

除了摄影师使用直方图均衡化来校正曝光不足/过曝光的图像外，直方图均衡化使用最广泛的是在医疗领域。

你通常会看到直方图均衡化应用于x光扫描和CT扫描，以提高x光片的对比度。这样做可以帮助医生和放射科医生更好地解释扫描结果，做出准确的诊断。

在本教程结束时，您将能够成功地使用OpenCV将基本直方图均衡化和自适应直方图均衡化应用到图像。

1.OpenCV直方图均衡化和自适应直方图均衡化(CLAHE)

在本教程的第一部分，我们将讨论什么是直方图均衡化，以及如何使用OpenCV应用直方图均衡化。
代码地址：

链接：https://pan.baidu.com/s/19V6s7Ten6K9FfBpJTbZhAQ 
提取码：123a

我们将实现两个Python脚本：

• simple_equalization.py：使用OpenCV的cv2.equalizeHist()函数执行基本直方图均衡。
• adaptive_equalization.py：使用OpenCV的cv2.createCLAHE()方法执行自适应直方图均衡化。

2.什么是直方图均衡化?

直方图均衡化是一种基本的图像处理技术，可以提高图像的整体对比度。

应用直方图均衡化首先计算输入灰度/单通道图像中像素强度的直方图:

$$左：我们的原始输入灰度图像。右：计算灰度图像的直方图。$$
请注意，我们的直方图有许多峰值，这表明有很多像素被归入到这些各自的bin中。使用直方图均衡化，我们的目标是将这些像素分散到没有太多像素的bin中。

从数学上来说，这意味着我们试图将线性趋势应用到累积分布函数(CDF)中:

$$直方图均衡化目标使输出图像具有线性CDF$$

$$左：应用直方图均衡化之前的原始输入图像。右：应用直方图均衡化后的输出图像。$$
注意输入图像的对比度是如何显著提高的，但代价是也提高了输入图像中的噪声的对比度。

这就提出了一个问题:是否有可能在不增加噪声的同时提高图像对比度?
答案是“是的”，你只需要应用自适应直方图均衡化。

通过自适应直方图均衡化，我们将输入图像划分为M × N网格。然后我们对网格中的每个单元进行均衡处理，从而获得更高质量的输出图像:

$$左：基本直方图均衡。右：自适应直方图均衡化$$
缺点是，自适应直方图均衡化的计算复杂度更高(但考虑到现代硬件，这两种实现仍然相当快)。

3.如何使用OpenCV进行直方图均衡化?

OpenCV 包括通过以下两个函数实现基本直方图均衡和自适应直方图均衡：

• cv2.equalizeHist
• cv2.createCLAHE

应用cv2.equalizeHist()函数非常简单，只需将图像转换为灰度，然后调用cv2.equalizeHist即可:

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
equalized = cv2.equalizeHist(gray)

实现自适应直方图均衡化要求:

• 1.将输入图像转换为灰度/从中提取单个通道
• 2.使用cv2.createCLAHE实例化CLAHE算法
• 3.在CLAHE对象上调用.apply()方法来应用直方图均衡化

这比听起来容易得多，只需要几行代码:

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
equalized = clahe.apply(gray)

注意，我们为cv2.createCLAHE提供了两个参数:

• clipLimit：这是对比度限制的阈值
• tileGridSize：将输入图像划分为M × N块，然后对每个局部块应用直方图均衡化

4.项目结构

在我们使用OpenCV实现直方图均衡化之前，让我们先回顾一下我们的项目目录结构。

5.代码实现

5.1 使用OpenCV实现标准直方图均衡化

#   用法
# python simple_equalization.py --image images/moon.png

# 导入必要的库
import argparse
import cv2

# 构造参数解析器并解析参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", type=str, required=True, help="Path to the input image")
args = vars(ap.parse_args())

# 从磁盘加载输入图像并将其转换为灰度
print("[INFO] Loading input image...")
image = cv2.imread(args["image"])
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 运用直方图均衡化
print("[INFO] Performing histogram equalization...")
equalized = cv2.equalizeHist(gray)

# 显示原始灰度图像和均衡后的图像
cv2.imshow("Input", gray)
cv2.imshow("Histogram Equalization", equalized)
cv2.waitKey(0)

5.2代码解析

首先导入我们需要的 Python 包，解析我们的命令行参数。这里我们只需要一个参数–image，它是磁盘上输入图像的路径，我们希望在这里应用直方图均衡化。

解析完命令行参数后，我们可以继续下一步:从磁盘加载图像，将图像从RGB转换为灰度。使用cv2.equalizeHist执行基本的直方图均衡化。我们必须传入的唯一必需参数是灰度/单通道图像。

注:使用OpenCV进行直方图均衡化时，必须提供灰度/单通道图像。如果我们试图传递一个多通道图像，OpenCV将抛出一个错误。要在多通道图像上执行直方图均衡化，您需要(1)将图像分割成各自的通道，(2)均衡每个通道，(3)合并通道。

5.3 使用OpenCV实现自适应直方图均衡

#   用法
# python adaptive_equalization.py --image images/boston.png
# 导入必要的库
import argparse
import cv2

# 构造参数解析器并解析参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", type=str, required=True, help="Path to the input image")
ap.add_argument("-c", "--clip", type=float, default=2.0, help="Threshold for contrast limiting")
ap.add_argument("-t", "--tile", type=int, default=8,
                help="Tile grid size -- divides image into tile x tile cells")
args = vars(ap.parse_args())

# 从磁盘加载输入图像并将其转换为灰度
print("[INFO] Loading input image...")
image = cv2.imread(args["image"])
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 应用CLAHE (Contrast Limited Adaptive Histogram Equalization)
print("[INFO] Applying CLAHE...")
clahe = cv2.createCLAHE(clipLimit=args["clip"], tileGridSize=(args["tile"], args["tile"]))
equalized = clahe.apply(gray)

# 显示原始灰度图像和CLAHE输出图像
cv2.imshow("Input", gray)
cv2.imshow("CLAHE", equalized)
cv2.waitKey(0)

5.4代码解析

自适应直方图均衡化比简单直方图均衡化的计算代价高一些，但可以产生更好的结果。但是不要相信我的话——你应该自己看看结果。

我们有三个命令行参数，其中一个是必需的，二个是可选的(但在使用CLHE时很有用):

• --image：磁盘上输入图像的路径，我们希望在其中应用直方图均衡化。
• --clip：对比度限制的阈值。您通常希望将此值保留在 2-5 的范围内。如果您将该值设置得太大，那么实际上您所做的是最大化局部对比度，这反过来又会最大化噪声（这与您想要的相反）,尽量保持该值尽可能低。
• --tile：CLAHE 的网格大小。从概念上讲，我们在这里所做的是将输入图像划分为 tile x tile 单元格，然后对每个单元格应用直方图均衡（使用 CLAHE 提供的额外功能）。

从磁盘加载输入图像并将其转换为灰度，就像我们对基本直方图均衡化所做的那样。通过cv2.createCLAHE()函数初始化CLHE对象。这里，我们提供了clipLimit和tileGridSize，它们是通过命令行参数提供的。

调用.apply()方法将自适应直方图均衡化应用于灰度图像。

6.直方图均衡化的建议

在构建自己的图像处理管道并发现应该应用直方图均衡化时，我建议从使用 cv2.equalizeHist 的简单直方图均衡化开始。但是如果你发现结果很差，反而增加了输入图像的噪声，那么你应该尝试通过 cv2.createCLAHE 使用自适应直方图均衡化。

参考目录

https://www.pyimagesearch.com/2021/02/01/opencv-histogram-equalization-and-adaptive-histogram-equalization-clahe/