如何使用OpenCV实现图像均衡？？？

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

我们已经练习了很多图像处理——操作图像（精确地说是图像矩阵）。为此，我们探索了图像的均衡方法，以便在一定程度上增强对比度，以使被处理的图像看起来比原始图像更好，这种技术称为直方图均衡化。

通常，发生的情况是在捕获图像时，它与自然视图并不相同。为了满足自然视图的水平，应进行后处理。因此，直方图均衡化（归一化）是通过调整图像的像素值来增强对比度的技术之一。

可以在下面看到一个示例：原始图像和均等图像。

如果我们要绘制图像直方图，它将看起来像下面的样子：

直方图均衡化的重要性

1. 该方法对于亮和暗图像都效果更好，特别是在医学领域中，分析X射线图像的重要性更高。

2. 在查看科学图像（例如热图像和卫星图像）时也非常有用。

执行步骤

在本文中，我们将通过使用openCV库以及使用justNumPy和从头开始实现此方法Matplotlib。尽管我们想不使用来做NumPy，但要花很多时间才能计算出来。

添加依赖库

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

读取图像

def read_this(image_file, gray_scale=False):
    image_src = cv2.imread(image_file)
    if gray_scale:
        image_src = cv2.cvtColor(image_src, cv2.COLOR_BGR2GRAY)
    else:
        image_src = cv2.cvtColor(image_src, cv2.COLOR_BGR2RGB)
    return image_src

上面的函数读取gray_scale或中的图像，RGB然后返回图像矩阵。

用库实现代码

为了均衡，我们可以简单地使用equalizeHist()库中可用的方法cv2。

1.读入图像时RGB。

• 根据颜色组合分离像素。我们可以使用split()库中可用的方法cv2。

• 对每个矩阵应用均衡方法。

• 将均衡的图像矩阵与merge()库中可用的方法合并在一起cv2。

2.读入图像时gray_scale。

3.绘制原始图像和均衡图像。

def equalize_this(image_file, with_plot=False, gray_scale=False):
    image_src = read_this(image_file=image_file, gray_scale=gray_scale)
    if not gray_scale:
        r_image, g_image, b_image = cv2.split(image_src)


        r_image_eq = cv2.equalizeHist(r_image)
        g_image_eq = cv2.equalizeHist(g_image)
        b_image_eq = cv2.equalizeHist(b_image)


        image_eq = cv2.merge((r_image_eq, g_image_eq, b_image_eq))
        cmap_val = None
    else:
        image_eq = cv2.equalizeHist(image_src)
        cmap_val = 'gray'


    if with_plot:
        fig = plt.figure(figsize=(10, 20))


        ax1 = fig.add_subplot(2, 2, 1)
        ax1.axis("off")
        ax1.title.set_text('Original')
        ax2 = fig.add_subplot(2, 2, 2)
        ax2.axis("off")
        ax2.title.set_text("Equalized")


        ax1.imshow(image_src, cmap=cmap_val)
        ax2.imshow(image_eq, cmap=cmap_val)
        return True
    return image_eq

代码测试

equalize_this(image_file='lena_original.png', with_plot=True)

equalize_this（image_file = 'lena_original.png'，with_plot = True，gray_scale = True）

实现代码

为此，我们正在使用NumPy所有矩阵运算。同样，我们可以使用for循环来执行此操作，但是它将花费更多的时间进行计算。即使在这里，我们也有两个方面：

1.读入图像时RGB。

• 根据颜色组合分离像素。我们可以使用NumPy操作将其切细。

• 对每个矩阵应用均衡方法。

• 将均衡的图像矩阵与dstack(tup=())库中可用的方法合并在一起NumPy。

2.读入图像时gray_scale。

3.绘制原始图像和均衡图像。

让我们编写我们自己的函数来计算图像均衡，图像像素值通常在0到255之间。因此，总共有256个像素。

def enhance_contrast(image_matrix, bins=256):
    image_flattened = image_matrix.flatten()
    image_hist = np.zeros(bins)


    # frequency count of each pixel
    for pix in image_matrix:
        image_hist[pix] += 1


    # cummulative sum
    cum_sum = np.cumsum(image_hist)
    norm = (cum_sum - cum_sum.min()) * 255
    # normalization of the pixel values
    n_ = cum_sum.max() - cum_sum.min()
    uniform_norm = norm / n_
    uniform_norm = uniform_norm.astype('int')


    # flat histogram
    image_eq = uniform_norm[image_flattened]
    # reshaping the flattened matrix to its original shape
    image_eq = np.reshape(a=image_eq, newshape=image_matrix.shape)


    return image_eq

当将原始图像矩阵作为参数传递时，上述函数将返回一个均衡的图像矩阵。

让我们编写另一个函数，该函数为RGB图像和gray_scale使用上述功能的图像计算均衡。

def equalize_this(image_file, with_plot=False, gray_scale=False, bins=256):
    image_src = read_this(image_file=image_file, gray_scale=gray_scale)
    if not gray_scale:
        r_image = image_src[:, :, 0]
        g_image = image_src[:, :, 1]
        b_image = image_src[:, :, 2]


        r_image_eq = enhance_contrast(image_matrix=r_image)
        g_image_eq = enhance_contrast(image_matrix=g_image)
        b_image_eq = enhance_contrast(image_matrix=b_image)


        image_eq = np.dstack(tup=(r_image_eq, g_image_eq, b_image_eq))
        cmap_val = None
    else:
        image_eq = enhance_contrast(image_matrix=image_src)
        cmap_val = 'gray'


    if with_plot:
        fig = plt.figure(figsize=(10, 20))


        ax1 = fig.add_subplot(2, 2, 1)
        ax1.axis("off")
        ax1.title.set_text('Original')
        ax2 = fig.add_subplot(2, 2, 2)
        ax2.axis("off")
        ax2.title.set_text("Equalized")


        ax1.imshow(image_src, cmap=cmap_val)
        ax2.imshow(image_eq, cmap=cmap_val)
        return True
    return image_eq

代码测试

equalize_this(image_file='lena_original.png', with_plot=True)

equalize_this(image_file='lena_original.png', with_plot=True, gray_scale=True)

总结

• 我们探索和实施不同的方法来增加图像强度，从而学到了很多东西。特别是，尝试通过引用和学习从头实现代码。

• 使用库方法始终是一件好事，因为它们似乎更加优化并且可以100％工作。

• 图像处理是一门非常重要的学科，确实值得尝试，要有很多好奇心和自己的探索。

— — 完 — — 

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~