图像增强之灰度变换和直方图均衡化（附代码python+opencv）

一、图像增强的概念和分类

概念：图像增强是采用一系列技术去改善图像的视觉效果，或将图像转换成一种更适合于人或机器进行分析和处理的形式。例如采用一系列技术有选择地突出某些感兴趣的信息，同时抑制一些不需要的信息，提高图像的使用价值。
分类：图像增强方法由增强的作用域出发，可分为空间域增强和频率域增强两种。
空间域增强是直接对图像的各像素进行处理；
频率域增强是对图像进行傅里叶变换后的频谱成分进行处理，然后逆傅里叶变换获得所需的图像。

1. 空间域增强
   点运算：灰度变换、直方图修正（均衡化和规定化）
   局部运算：图像平滑、图像锐化

2. 频率域增强
   高通滤波、低通滤波、同态滤波

二、灰度变换

• 灰度变换和二值化的区别：
• 灰度变换是调整调整图像的灰度动态范围或图像对比度
• 二值化是将图像的每个像素点调至0或255，只呈现白色或黑色

二值化的代码：方法一：固定阈值二值化

# function:将灰度图片转为二值化图片,方法一:固定阈值二值化
import cv2 as cv

gray_img = cv.imread('./img/gray_img.png')

# 二值化函数
ret, erzhihua_img = cv.threshold(gray_img, 100, 255, cv.THRESH_BINARY)

cv.imshow('erzhihua_img', erzhihua_img)
cv.imwrite('./img/erzhihua_img.png', erzhihua_img)
cv.waitKey(0)
cv.destroyAllWindows()

方法二：算术平均的自适应二值化

# function:算术平均的自适应二值化
import cv2 as cv

# 这里很奇怪，不能直接传灰度图片的imread路径，要直接是灰度图片，像下面这样
img = cv.imread('./img/img.png')
gray_img = cv.cvtColor(img, cv.COLOR_RGB2GRAY)

# 二值化函数
erzhihua_img = cv.adaptiveThreshold(gray_img, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 11, 2)

cv.imshow('erzhihua_img', erzhihua_img)
cv.imwrite('./img/erzhihua1_img.png', erzhihua_img)
cv.waitKey(0)
cv.destroyAllWindows()

方法三：高斯加权均值法自适应二值化

# function:高斯加权均值法自适应二值化
import cv2 as cv

# 这里很奇怪，不能直接传灰度图片的imread路径，要直接是灰度图片，像下面这样
img = cv.imread('./img/img.png')
gray_img = cv.cvtColor(img, cv.COLOR_RGB2GRAY)

# 二值化函数
erzhihua_img = cv.adaptiveThreshold(gray_img, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 11, 8)

cv.imshow('erzhihua_img', erzhihua_img)
cv.imwrite('./img/erzhihua2_img.png', erzhihua_img)
cv.waitKey(0)
cv.destroyAllWindows()

灰度变换通俗理解为将直方图的动态范围从小变大。

简单的将图像变灰：方法一

import cv2 as cv

img = cv.imread('./img/img.png')
cv.imshow('rgb_img', img)

gray_img = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
cv.imshow('gray_img', gray_img)

cv.imwrite('./img/gray_img.png', gray_img)

cv.waitKey(0)
cv.destroyAllWindows()

方法2：

import cv2 as cv

gray1_img = cv.imread('./img/img.png', 0)

cv.imshow('gray1_img', gray1_img)

cv.imwrite('./img/gray1_img.png', gray1_img)

cv.waitKey(0)
cv.destroyAllWindows()

1、线性变换

将a ~ b映射到a’ ~ b’，当ab比a’b’小的时候，做的是灰度的拉伸，将图像变得更清晰，对比度越大，下图斜线的斜率是>1。

2、分段线性变换

拉伸感兴趣的灰度区间。

3、非线性变换

对数变换代码：

import cv2 as cv
import copy
import math

# 读入原始图像
img = cv.imread('./img/img.png', 1)

# 灰度化处理：此灰度化处理用于图像二值化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 对数变换
logc = copy.deepcopy(gray)
rows = img.shape[0]
cols = img.shape[1]
for i in range(rows):
    for j in range(cols):
        logc[i][j] = 10 * math.log(1 + logc[i][j])

# 通过窗口展示图片 第一个参数为窗口名 第二个为读取的图片变量

cv.imshow('logc', logc)
cv.imwrite('./img/logc_img.png', logc)

cv.waitKey(0)
cv.destroyAllWindows()

4、伽马变换

• 代码中的系数为gamma的倒数，一般为2.2

gamma变换代码1：

import cv2 as cv
import numpy as np


# gamma correction
def gamma_correction(img, c=1, g=2.5):
    out = img.copy()
    out /= 255.
    out = (1 / c * out) ** (1 / g)
    out *= 255
    out = out.astype(np.uint8)
    return out


# Read image
img = cv.imread('./img/img.png').astype(np.float)

# Gammma correction
out = gamma_correction(img)

# Save result
cv.imshow("result", out)
cv.imwrite("./img/gamma1.jpg", out)
cv.waitKey(0)
cv.destroyAllWindows()

gamma变换代码2：

import cv2 as cv
import copy

# 读入原始图像
img = cv.imread('./img/img.png', 1)

# 伽马变换
gamma = copy.deepcopy(img)
rows = img.shape[0]
cols = img.shape[1]
for i in range(rows):
    for j in range(cols):
        gamma[i][j] = 3 * pow(gamma[i][j], 0.5)

cv.imshow('gamma', gamma)
cv.imwrite("./img/gamma2.jpg", gamma)
cv.waitKey(0)
cv.destroyAllWindows()

三、直方图均衡化

计算过程：Sk计到Sk并需要离散化一下（近似），就把原图当中的0~7对应过来了（注意不一定是一一对应）

结果：近似的

均衡化的图像：

直方图均衡化代码：（最普通的均衡化）

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

img = cv2.imread('./img/img.png', 0)
# flatten() 将数组变成一维
hist, bins = np.histogram(img.flatten(), 255, [0, 255])
# 计算累积分布图
cdf = hist.cumsum()
cdf_normalized = cdf * hist.max() / cdf.max()
# 作图
plt.figure(figsize=(14, 14), dpi=100)
plt.subplot(1, 2, 1)
plt.plot(cdf_normalized, color='b')
plt.hist(img.flatten(), 255, [0, 255], color='r')
plt.xlim([0, 255])
plt.title('before')
plt.legend(('cdf', 'histogram'), loc='upper left')
# plt.show()

equ = cv2.equalizeHist(img)  # 该函数的输入只能是灰度图,equalizeHist只能显示单通道函数
res = np.hstack((img, equ))

# 计算均衡化后的直方图
hist1, bins1 = np.histogram(res.flatten(), 255, [0, 255])
cdf1 = hist1.cumsum()
cdf1_normalized = cdf1 * hist1.max() / cdf1.max()

plt.subplot(1, 2, 2)
plt.plot(cdf1_normalized, color='b')
plt.hist(res.flatten(), 255, [0, 255], color='r')
plt.xlim([0, 255])
plt.legend(('cdf', 'histogram'), loc='upper left')
plt.title('after')
plt.savefig('./img/zhifangtu.png')
plt.show()

# stacking images side-by-side
cv2.imshow('img', res)
cv2.imwrite('./img/zhifangtu_img.png', res)
cv2.waitKey()
cv2.destroyAllWindows()

直方图对比：

结果对比：

CLAHE 有限对比适应性直方图均衡化（自适应直方图均衡化）：将直方图分成一小块一小块的，每一块进行直方图均衡化：
代码：

# function:CLAHE直方图均衡化
import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('./img/img.png', 0)

# flatten() 将数组变成一维
hist, bins = np.histogram(img.flatten(), 255, [0, 255])
# 计算累积分布图
cdf = hist.cumsum()
cdf_normalized = cdf * hist.max() / cdf.max()
# 作图
plt.figure(figsize=(14, 14), dpi=100)
plt.subplot(1, 2, 1)
plt.plot(cdf_normalized, color='b')
plt.hist(img.flatten(), 255, [0, 255], color='r')
plt.xlim([0, 255])
plt.title('before')
plt.legend(('cdf', 'histogram'), loc='upper left')

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
cl1 = clahe.apply(img)

# 计算均衡化后的直方图
hist1, bins1 = np.histogram(cl1.flatten(), 255, [0, 255])
cdf1 = hist1.cumsum()
cdf1_normalized = cdf1 * hist1.max() / cdf1.max()

plt.subplot(1, 2, 2)
plt.plot(cdf1_normalized, color='b')
plt.hist(cl1.flatten(), 255, [0, 255], color='r')
plt.xlim([0, 255])
plt.legend(('cdf', 'histogram'), loc='upper left')
plt.title('after')
plt.savefig('./img/clahe.png')
plt.show()

cv2.imwrite('./img/clahe_1.jpg', cl1)
cv2.waitKey()
cv2.destroyAllWindows()

直方图对比：

结果对比：

彩色图片的均衡化：先进行通道数分解，再合成
代码：

# 彩色图像均衡化
import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('./img/img.png', 1)

# 原图像直方图
# flatten() 将数组变成一维
hist, bins = np.histogram(img.flatten(), 255, [0, 255])
# 计算累积分布图
cdf = hist.cumsum()
cdf_normalized = cdf * hist.max() / cdf.max()
# 作图
plt.figure(figsize=(14, 14), dpi=100)
plt.subplot(1, 2, 1)
plt.plot(cdf_normalized, color='b')
plt.hist(img.flatten(), 255, [0, 255], color='r')
plt.xlim([0, 255])
plt.title('before')
plt.legend(('cdf', 'histogram'), loc='upper left')

(b, g, r) = cv2.split(img)  # 通道分解
bH = cv2.equalizeHist(b)
gH = cv2.equalizeHist(g)
rH = cv2.equalizeHist(r)
result = cv2.merge((bH, gH, rH), )  # 通道合成
res = np.hstack((img, result))

# 计算均衡化后的直方图
hist1, bins1 = np.histogram(res.flatten(), 255, [0, 255])
cdf1 = hist1.cumsum()
cdf1_normalized = cdf1 * hist1.max() / cdf1.max()

plt.subplot(1, 2, 2)
plt.plot(cdf1_normalized, color='b')
plt.hist(res.flatten(), 255, [0, 255], color='r')
plt.xlim([0, 255])
plt.legend(('cdf', 'histogram'), loc='upper left')
plt.title('after')
plt.savefig('./img/zhifangtu_rgb_1.png')
plt.show()

cv2.imshow('dst', res)
cv2.imwrite('./img/zhifangtu_rgb.png', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

直方图对比：

结果对比：