python opencv 直方图均衡化_python+opencv 直方图均衡化原理

参看博客:

1.http://www.cnblogs.com/tianyalu/p/5687782.html

2.https://blog.csdn.net/zmdsjtu/article/details/77993135

3.https://blog.csdn.net/u010839382/article/details/49584181 (详细解释了CLAHE的原理,很有用)

HE: histogram equalization 直方图均衡化

AHE: adapative histogram equalization 自适应直方图均衡化, 加了分块而已。

CLAHE: contrast-limited adapative histogram equalization 对比度受限的自适应直方图均衡化, 可用性最好。

直方图均衡化的作用是图像增强。

有两个问题比较难懂,一是为什么要选用累积分布函数,二是为什么使用累积分布函数处理后像素值会均匀分布。

第一个问题。均衡化过程中,必须要保证两个条件:

①像素无论怎么映射,一定要保证原来的大小关系不变,较亮的区域,依旧是较亮的,较暗依旧暗,只是对比度增大,绝对不能明暗颠倒;

②如果是八位图像,那么像素映射函数的值域应在0和255之间的,不能越界。

综合以上两个条件,累积分布函数是个好的选择,因为累积分布函数是单调增函数(控制大小关系),并且值域是0到1(控制越界问题),所以直方图均衡化中使用的是累积分布函数。

第二个问题。累积分布函数具有一些好的性质,那么如何运用累积分布函数使得直方图均衡化?比较概率分布函数和累积分布函数,前者的二维图像是参差不齐的,后者是单调递增的。直方图均衡化过程中,映射方法是

其中,n是图像中像素的总和,

是当前灰度级的像素个数,L是图像中可能的灰度级总数。

来看看通过上述公式怎样实现的拉伸。假设有如下图像:

得图像的统计信息如下图所示,并根据统计信息完成灰度值映射:

映射后的图像如下所示:

CLAHE原理:通过改变直方图中超过cliplimit值的个数,来达到平滑直方图的目的。

关键的是,如何把一个频数非常高的对应像素值的点,改成其他频数较少像素值的点?

附代码:

import cv2 as cv

import numpy as np

import matplotlib.pyplot as plt

def equalHist_demo(image):

'''全局直方图的图像增强'''

gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)#图像增强必须要转灰度图

dst=cv.equalizeHist(gray) #全局直方图,整体进行图像增强,可能会坏事,不够灵活

cv.imshow('equalizeHist',dst)

def clahe_demo(image):

'''局部直方图的图像增强'''

# gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) # 图像增强必须要转灰度图

gray=image

clahe= cv.createCLAHE(clipLimit=2.0,tileGridSize=(8,8)) #定义CLAHE

dst=clahe.apply(gray)

cv.imshow('CLAHE', dst)

src=cv.imread('D:/pycharm/pycharmproject/test.jpg')

src=cv.cvtColor(src,cv.COLOR_BGR2GRAY)

cv.imshow('src',src)

# equalHist_demo(src)

clahe_demo(src)

cv.waitKey(0)

cv.destroyAllWindows()

你可能感兴趣的:(python,opencv,直方图均衡化)