本文介紹了python OpenCV學習筆記之直方圖均衡化，分享給大家，具體如下：

官方文檔 – https://docs.opencv.org/3.4.0/d5/daf/tutorial_py_histogram_equalization.html

考慮一個圖像，其像素值僅限制在特定的值范圍內。例如，更明亮的圖像將使所有像素都限制在高值中。但是一個好的圖像會有來自圖像的所有區域的像素。所以你需要把這個直方圖拉伸到兩端(如下圖所給出的)，這就是直方圖均衡的作用(用簡單的話說)。這通常會改善圖像的對比度。

建議閱讀關于直方圖均衡的wikipedia頁面Histogram Equalization，了解更多有關它的詳細信息。它給出了一個很好的解釋，給出了一些例子，這樣你就能在讀完之后理解所有的東西。同樣，我們將看到它的Numpy實現。之后，我們將看到OpenCV函數。

import numpy as npimport cv2 as cvfrom matplotlib import pyplot as pltimg = cv.imread('wiki.jpg', 0)hist, bins = np.histogram(img.flatten(), 256, [0,256])cdf = hist.cumsum()cdf_normalized = cdf*float(hist.max())/cdf.max()plt.plot(cdf_normalized, color = 'b')plt.hist(img.flatten(),256,[0,256], color = 'r')plt.xlim([0,256])plt.legend(('cdf','histogram'), loc = 'upper left')plt.show()

你可以看到，直方圖位于更亮的區域。我們需要完整的頻譜。為此，我們需要一個轉換函數，它將更亮區域的輸入像素映射到全區域的輸出像素。這就是直方圖均衡所做的。

現在我們找到了最小的直方圖值(不包括0)，并應用了在wiki頁面中給出的直方圖均衡等式。但我用在Numpy的遮罩數組的概念數組上。對于遮罩數組，所有操作都是在非遮罩元素上執行的。

cdf_m = np.ma.masked_equal(cdf, 0)cdf_m = (cdf_m-cdf_m.min()) * 255 / (cdf_m.max()-cdf_m.min())cdf = np.ma.filled(cdf_m, 0).astype('uint8')

現在我們有了一個查找表，它提供了關于每個輸入像素值的輸出像素值的信息。所以我們只要應用變換。

img2 = cdf[img]

現在我們計算它的直方圖和cdf，就像之前一樣，結果如下：

另一個重要的特征是，即使圖像是一個較暗的圖像(而不是我們使用的更亮的圖像)，在均衡之后，我們將得到幾乎相同的圖像。因此，它被用作一種“參考工具”，使所有的圖像都具有相同的光照條件。這在很多情況下都很有用。例如，在人臉識別中，在對人臉數據進行訓練之前，人臉的圖像是均勻的，使它們具有相同的光照條件。

OpenCV中的直方圖均衡化

OpenCV有一個函數可以這樣做，cv.equalizeHist()。它的輸入只是灰度圖像，輸出是我們的直方圖均衡圖像。

img = cv.imread('wiki,jpg', 0)equ = cv.equalizeHist(img)res = np.hstack((img, equ)) # 并排疊加圖片cv.imwrite('res.png', res)

所以現在你可以用不同的光條件來拍攝不同的圖像，平衡它，并檢查結果。

當圖像的直方圖被限制在一個特定的區域時，直方圖均衡是很好的。在那些有很大強度變化的地方，直方圖覆蓋了一個大區域，比如明亮的和暗的像素，這樣的地方就不好用了。

CLAHE（對比有限的自適應直方圖均衡/Contrast Limited Adaptive Histogram Equalization）

我們剛剛看到的第一個直方圖均衡化，考慮到圖像的全局對比。在很多情況下，這不是一個好主意。例如，下圖顯示了一個輸入圖像及其在全局直方圖均衡之后的結果。

在直方圖均衡化之后，背景對比得到了改善。但是比較兩幅圖像中的雕像的臉。由于亮度過高，我們丟失了大部分的信息。這是因為它的直方圖并不局限于一個特定的區域，就像我們在前面的例子中看到的那樣。

為了解決這個問題，可以使用了自適應直方圖均衡。在這一點上，圖像被劃分為幾個小塊，稱為“tiles”(在OpenCV中默認值是8x8)。然后每一個方塊都是像平常一樣的直方圖。因此，直方圖會限制在一個小區域(除非有噪聲)。如果噪音在那里，它就會被放大。為了避免這種情況，會應用對比限制。如果任何直方圖bin超出指定的對比度限制（默認情況下是40），在應用直方圖均衡之前，這些像素被裁剪并均勻地分布到其他bin。均衡后，刪除邊界中的工件，采用雙線性插值。

cv.createCLAHE([, clipLimit[, tileGridSize]])

import numpy as npimport cv2 as cvimg = cv.imread('tsukuba_1.png', 0)# create a CLAHE object (Arguments are optional).clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))cl1 = clahe.apply(img)cv.imread('clahe_2.jpg', cl1)

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持VEVB武林網。