图像数据处理11

二、灰度变换

2.5 直方图均衡化

2.5.1什么是图像均衡化：

上一节我们学习了直方图中灰度值的分布特点，只有灰度值分布均匀、动态范围大，才能得到得到一幅特征清晰的图像，而直方图均衡化正是通过灰度变换函数处理图像来达到上述目的。

2.5.2灰度函数的选择：

往往通过选择输入图像的累积分布函数作为灰度变换函数，可以使得输出图像的灰度直方图呈现近似均匀分布

2.5.3基本原理步骤:

先对图像进行归一化处理,得到[0,1]之间的浮点数，随后算出各个像素值的频数分布累积函数值，然后对其进行映射，因为图像的灰度级必须是整数，最后通过查表法对对图像进行灰度变换。

2.5.4特点：

1.提高图像质量：
直方图均衡化通过重新分配图像的灰度级，使得图像的灰度分布更加均匀，进而提高图像质量。

2.自动化处理：
直方图均衡化是一种自动化的图像处理技术，不需要人工干预。它能根据图像的直方图自动计算灰度变换函数，并进行灰度变换。

3.离散性处理：
在数字图像处理中，直方图均衡化通常针对离散灰度级进行操作的。

2.5.5对比度受限自适应直方图均衡化CLAHE

其用于处理过量、过暗的区域，并且防止处理过度。具体步骤是先将图像分割成多个小块，然后独立计算每个小块的直方图。接着，对每个小块的直方图进行对比度限制处理，裁剪超出预定阈值的部分，然后将裁剪掉的像素均匀的分布到整个灰度级上。再根据处理后的直方图计算每个小块的对比度变换函数，这一步通常涉及计算累积分布函数。随后，使用插值方法合并相邻图块的对比度变换函数，以消除块与块之间的边界效应。最后，应用合并后的对比度变换函数对原始图像进行增强处理，得到对比度的增强图像。

1. OpenCV中的处理函数

全局直方图均衡化：cv2.equalizeHist()

对比度受限自适应直方图均衡化：cv2.createCLAHE()

2.Scikit-image中的处理函数

全局直方图均衡化：exposure.equalize_hist()

对比度受限自适应直方图均衡化：exposure.equalize_adapthist()

全局直方图均衡化

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

# 加载图像
img = cv2.imread('saved_image.jpg', 0)  # 以灰度模式读取图像

# 计算原始图像的直方图
hist_original = cv2.calcHist([img], [0], None, [256], [0, 256])

# 应用直方图均衡化
img_equ = cv2.equalizeHist(img)

# 计算均衡化后图像的直方图
hist_equ = cv2.calcHist([img_equ], [0], None, [256], [0, 256])

# 显示原始图像的直方图
plt.subplot(2, 2, 1)
plt.imshow(img, cmap='gray')
plt.title('Original Image')
plt.subplot(2, 2, 2)
plt.plot(hist_original)
plt.title('Histogram of Original Image')

# 显示均衡化后图像的直方图
plt.subplot(2, 2, 3)
plt.imshow(img_equ, cmap='gray')
plt.title('Equalized Image')
plt.subplot(2, 2, 4)
plt.plot(hist_equ)
plt.title('Histogram of Equalized Image')

plt.tight_layout()
plt.show()

对比度受限自适应直方图均衡化CLAHE

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

# 读取图像
img = cv2.imread('saved_image.jpg', 0)  # 以灰度模式读取图像

# 计算原始图像的直方图
hist_original = cv2.calcHist([img], [0], None, [256], [0, 256])

# 创建CLAHE对象，设置对比度限制和网格大小
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))

# 应用CLAHE
img_clahe = clahe.apply(img)

# 计算CLAHE处理后的图像直方图
hist_clahe = cv2.calcHist([img_clahe], [0], None, [256], [0, 256])

# 显示原始图像的直方图
plt.subplot(2, 2, 1)
plt.imshow(img, cmap='gray')
plt.title('Original Image')
plt.subplot(2, 2, 2)
plt.plot(hist_original)
plt.title('Histogram of Original Image')

# 显示CLAHE处理后的图像直方图
plt.subplot(2, 2, 3)
plt.imshow(img_clahe, cmap='gray')
plt.title('CLAHE Image')
plt.subplot(2, 2, 4)
plt.plot(hist_clahe)
plt.title('Histogram of CLAHE Image')

plt.tight_layout()
plt.show()

# 创建CLAHE对象，设置对比度限制和网格大小
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))

①clipLimit：这个参数用于限制图像对比度放大的程度。它的值是一个浮点数，具体来说，如果某个像素的对比度放大倍数超过了clipLimit与直方图平均值的乘积，那么这个像素的对比度将被裁剪到这个阈值以下。这样做可以防止图像中出现过多的噪声和过曝区域。

②tileGridSize：这个参数用于设置CLAHE算法中处理图像的小块（tile）的大小。它的值是一个元组，表示小块的行数和列数。在CLAHE算法中，图像被分割成多个小块，每个小块都单独进行直方图均衡化处理。tileGridSize参数控制了这些小块的大小，从而影响了CLAHE算法的效果。如果设置得太小，可能会导致图像出现块状效应（即马赛克）；如果设置得太大，则可能无法有效地增强图像的局部对比度。

注，本人为在校学生，博客是边学边写的，主要是为了巩固知识，如有错误请积极指正。

“本文章中所使用的圣灵谱尼图片来源于网络，版权归属原作者所有。若您认为本文章/作品的使用侵犯了您的权益，请及时与我联系，我将尽快核实并删除相关内容。