python opencv图像对比度增强_【3】python-opencv3教程：图像的对比度增强（线性变化，直方图正规化，伽马变化，全局直方图均衡化，限制对比度的自适应直方图均衡化）...

第三节：对比度增强算法总结

一： 绘制直方图

就是把各个像素值所含有的个数统计出来，然后画图表示。 可以看到在当前图像中，哪个像素值的个数最多。 同时，可以看当前图像总体的像素值大小在哪些范围。。靠近0的话，说明图像偏暗。 靠近255，说明图像偏亮。

import cv2

import numpy as np

import matplotlib.pyplot as plt

import math

# # 绘制灰度直方图

def calcGrayHist(image):

'''

统计像素值

:param image:

:return:

'''

# 灰度图像的高，宽

rows, cols = image.shape

# 存储灰度直方图

grayHist = np.zeros([256], np.uint64)

for r in range(rows):

for c in range(cols):

grayHist[image[r][c]] += 1

return grayHist

image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE)

grayHist = calcGrayHist(image)

# 采用matplotlib进行画图

x_range = range(256)

plt.plot(x_range, grayHist, 'r', linewidth=2, c='black')

plt.show()

输出结果:

总的来说，还是偏暗 。像素值几种在40到50之间。

二：  通过线性变化增强对比度

Python实现

# 通过线性变化增强对比度

in_image =cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE)

a = 2

out_image = float(a) * in_image

# 进行数据截断, 大于255的值要截断为255

out_image[out_image > 255] = 255

# 数据类型转化

out_image = np.round(out_image)

out_image = out_image.astype(np.uint8)

# 显示原图像和线性变化后的结果

cv2.imshow('IN', in_image)

cv2.imshow('OUT', out_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

输出结果：

三： 通过直方图正规化增强对比度

Python代码实现：

# 通过直方图正规化增强对比度

in_image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE)

# 求输入图片像素最大值和最小值

Imax = np.max(in_image)

Imin = np.min(in_image)

# 要输出的最小灰度级和最大灰度级

Omin, Omax = 0, 255

# 计算a 和 b的值

a = float(Omax - Omin)/(Imax - Imin)

b = Omin - a* Imin

# 矩阵的线性变化

out_image = a*in_image + b

# 数据类型的转化

out_image = out_image.astype(np.uint8)

# 显示原图和直方图正规化的效果

cv2.imshow('IN', in_image)

cv2.imshow('OUT', out_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

输出结果：

四： 伽马变化

python实现：

# 伽马变换增强对比度

in_image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE)

# 图像归一化

fI = in_image/255.0

# 伽马变化

gamma = 0.5

out_image = np.power(fI, gamma)

# 显示原图和伽马变化后的效果

cv2.imshow('IN', in_image)

cv2.imshow('OUT', out_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

结果输出：

五： 全局直方图均衡化

Python代码实现：

def calcGrayHist(image):

'''

统计像素值

:param image:

:return:

'''

# 灰度图像的高，宽

rows, cols = image.shape

# 存储灰度直方图

grayHist = np.zeros([256], np.uint64)

for r in range(rows):

for c in range(cols):

grayHist[image[r][c]] += 1

return grayHist

# 全局直方图均衡化

def equalHist(image):

# 灰度图像矩阵的高，宽

rows, cols = image.shape

# 第一步:计算灰度直方图

grayHist = calcGrayHist(image)

# 第二步:计算累加灰度直方图

zeroCumuMoment = np.zeros([256], np.uint32)

for p in range(256):

if p == 0:

zeroCumuMoment[0] = grayHist[0]

else:

zeroCumuMoment[p] = zeroCumuMoment[p-1]+grayHist[p]

# 第三步:根据累加灰度直方图得到输入灰度级和输出灰度级之间的映射关系

output_q = np.zeros([256], np.uint8)

cofficient = 256.0 / (rows*cols)

for p in range(256):

q = cofficient * float(zeroCumuMoment[p]) - 1

if q >= 0:

output_q[p] = math.floor(q)

else:

output_q[p] = 0

# 第四步:得到直方图均衡化后的图像

equalHistImage = np.zeros(image.shape, np.uint8)

for r in range(rows):

for c in range(cols):

equalHistImage[r][c] = output_q[image[r][c]]

return equalHistImage

image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE)

grayHist = equalHist(image)

cv2.imshow('origin_image', image)

cv2.imshow('equal_image', grayHist)

cv2.waitKey(0)

cv2.destroyAllWindows()

输出结果：

六： 限制对比度的自适应直方图均衡化

Python代码：

# 限制对比度的自适应直方图均衡化

image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE)

# 创建ClAHE对象

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

# 限制对比度的自适应阈值均衡化

dst = clahe.apply(image)

# 显示

cv2.imshow('src', image)

cv2.imshow('dst', dst)

cv2.waitKey(0)

cv2.destroyAllWindows()

输出结果：