【图像处理OpenCV(C++版)】——4.6 限制对比度的自适应直方图均衡化

前言：

欢迎来到本博客

本专栏主要结合OpenCV和C++来实现一些基本的图像处理算法并详细解释各参数含义，适用于平时学习、工作快速查询等，随时更新。

具体食用方式：可以点击本专栏【OpenCV快速查找(更新中)】–>搜索你要查询的算子名称或相关知识点，或者通过这篇博客通俗易懂OpenCV(C++版)详细教程——OpenCV函数快速查找(不断更新中)]查阅你想知道的知识，即可食用。

支持：如果觉得博主的文章还不错或者您用得到的话，可以悄悄关注一下博主哈，如果三连收藏支持就更好啦！这就是给予我最大的支持！

---

学习目标

• 熟悉自适应直方图均衡化概念及原理
• C++实现自适应直方图均衡化案例

---

  上一节介绍了更为方便的方法来自动调节图像对比度——全局直方图均衡化，但是原图中比较亮的区域，经过全局直方图均衡化处理后会出现了失真的情况，而且出现了明显的噪声。该如何处理呢？

一、概念及原理

1.1 相关概念及原理

  关于自适应直方图均衡化步骤如下：

  首先，将图像划分为不重叠的区域块；然后，对每一个块分别进行直方图均衡化。在没有噪声影响的情况下，每一个小区域的灰度直方图会被限制在一个小的灰度级范围内；但是如果有噪声，每一个分割的区域块执行直方图均衡化后，噪声会被放大。最后，为了避免出现噪声这种情况，利用“限制对比度(Contrast Limiting)”的方式，如果直方图的bin超过了提前预设好的“限制对比度”，那么会被裁减，然后将裁剪的部分均匀分布到其他的bin，这样就重构了直方图。
————————————————
小知识：灰度与彩色直方图bin的含义
   1、计算颜色直方图时，横坐标是颜色空间，纵坐标是该颜色的像素点的数量。
   2、对于RGB而言，每个通道都有0到255个灰度集，即一共256个。如果采用bins=1的思路，则有 256 x 256 x 256 个横坐标，并且横坐标对应的纵坐标的值也比较少（一个图中像素值相同的也不多）
   3、为解决这种问题，采用了合并的思想，也就出现了bin。计算颜色直方图需要将颜色空间划分为若干个小的颜色区间。对于每个颜色通道（R,G,B），每32个划分到一个bin里面(具体一个bin中的区间为多少可以视情况而定)。排列组合后，有8 x 8 x 8 一共有512 bin ，也就是直方图的横坐标共512个刻度。

	R：0到255 划分为 8个bin
	G：0到255 划分为 8个bin
	B：0到255 划分为 8个bin
	
	举个例子：假设一个像素的R，G，B，3个通道的取值分别为2,5,4，那么在bins下的坐标就应该为(1,1,1)。
	因为2相对于R通道来说属于第一个bins，后面的同理。

  如下图所示，假设设置“限制对比度”为50，第3个bin所对应的像素个数大于50，然后将多出的将会均匀分布到每一个bin，重构后的直方图如图(右)所示，接下来利用重构后的直方图进行均衡化操作。

  可以看到，此时的直方图又会整体上升了一个高度，但也有部分bin会超过我们设置的上限(如地5个bin)。当然，在实现的时候有很多解决方法，可以多重复几次裁剪过程，使得上升的部分变得微不足道，也可以用另一种常用的方法：

  示例： 假设图中裁剪值为ClipLimit=50。
    (1) 求出直方图中高于该值的部分的和TotalNum (图中只有一个bin超过ClipLimit，假设为82，即82-50=32)；
    (2) 假设将TotalNum均分给所有灰度级，直方图整体上升的高度L=TotalNum/N，即32/(256/16)=2；
    (3) 同时以upper= ClipLimit-L为界限对直方图进行如下处理：

      1) 若幅值高于ClipLimit，直接置为ClipLimit，即图中第5个bin；
      2) 若幅值处于Upper和ClipLimit之间，将其填补至ClipLimit；
      3) 若幅值低于Upper，直接填补L个像素点；

  经过上述操作，用来填补的像素点个数通常会略小于TotalNum，还有一些剩余的像素点没分出去。可以再把这些点均匀地分给那些目前幅值仍然小于ClipLimit的灰度值。

二、 代码实现

  关于OpenCV实现的限制对比度的自适应直方图均衡化函数，其实在OpenCV中并没有提及相关函数，提供了函数createCLAHE()来构建指向CLAHE对象的指针，其中默认设置“限制对比度(clipLimit=(40.0))，块的大小为8×8。

#include 
#include  
# include 
#include
using namespace std;
using namespace cv ;

int main() {
	Mat src = imread(D:/VSCodeFile/0penCV_CSDN/image/img3.jpg);
	//Mat src;
	if (src.empty() {
		cout<<“the image is empty!" <《< endl;
	
	//全局直方图均衡化
	Mat gray;
	cvtColor(src, gray, COLOR_BGR2GRAY);

	Mat dst;
	equalizeHist(gray, dst);
	
	//限制对比度的自适应直方图均衡化
	//构建CLAHE 对象
	Ptr<CLAHE> clahe = createCLAHE(2.0, Size(8, 8));
	Mat dst1;
	// 限制对比度的自适应直方图均衡化
	clahe->apply(gray, dst1);

	//图片显示
	imshow("原图", src);
	imshow("直方图均衡化演示", dst);
	imshow("对比度增强", dst1);
	
	waitKey (0) ;
	return 0;
}
	

  结果显示了对原图进行全局直方图均衡化(HE)和限制对比度自适应直方图均衡化(CLAHE)的效果，仔细观察会发现原图中比较亮的区域，经过HE处理后出现了失真的情况(两个人体已经模糊)，而且出现了明显的噪声，而CLAHE避免了这两种情况。

  对比度增强只是图像增强方法中的一种手段，目前提到的对比度拉伸的方法受图像噪声的影响会很明显，在下一章内容开始介绍去除噪声的方法，去噪之后再使用对比度增强技术效果会更好。

---

三、 总结

  最后，长话短说，大家看完就好好动手实践一下，切记不能三分钟热度、三天打鱼，两天晒网。OpenCV是学习图像处理理论知识比较好的一个途径，大家也可以自己尝试写写博客，来记录大家平时学习的进度，可以和网上众多学者一起交流、探讨，有什么问题希望大家可以积极评论交流，我也会及时更新，来督促自己学习进度。希望大家觉得不错的可以点赞、关注、收藏。

---

今天的文章就到这里啦~ 喜欢的话，点赞、收藏⭐️、关注哦 ~