day31 学习笔记

---

前言

• 通过今天的学习，我掌握了OpenCV中有关直方图均衡化的原理和操作

---

一、直方图的定义

• 直方图是对数据进行统计的一种方法，并且将统计值组织到一系列实现定义好的 bin 当中。
• 直方图：反映图像像素分布的统计图，横坐标就是图像像素的取值，纵坐标是该像素的个数。
• 增加对比度：简单来说就是让图像黑的更黑，白的更白
• 直方图一般可以用来统计图像不同像素点的个数

二、绘制直方图

以像素值为横坐标，对应的像素值个数为纵坐标绘制一个直方图

• hist=cv2.calcHist(images, channels, mask, histSize, ranges)
• images：输入图像列表，可以是一幅或多幅图像（通常是灰度图像或者彩色图像的各个通道）。
• channels：一个包含整数的列表，指示在每个图像上计算直方图的通道编号。如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像的话，传入的参数可以是 [0]，[1]，[2] 它们分别对应着通道 B，G，R。
• mask（可选）：一个与输入图像尺寸相同的二值掩模图像，其中非零元素标记了参与直方图计算的区域,None为全部计算。
• histSize：一个整数列表，也就是直方图的区间个数(BIN 的数目)。用中括号括起来，例如：[256]。
• ranges：每维数据的取值范围，它是一个二维列表，每一维对应一个通道的最小值和最大值，例如对灰度图像可能是 [0, 256]。
• 返回值hist 是一个长度为255的数组，数组中的每个值表示图像中对应灰度等级的像素计数

获取直方图的最小值、最大值（这里指的是对应像素点的个数）及其对应最小值的位置索引、最大值的位置索引

• minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)

def draw(img):
	# 获取像素点统计信息
	hist = cv.calcHist([img],[0],None,[256],[0,256])
	# 获取像素点个数的最值及其索引
	minVal,maxVal,minloc,maxloc = cv.minMaxLoc(hist)
	# 创建全黑背景,这里为了兼容性设置为三通道
	black = np.zeros((256,256,3),np.uint8)
	# 限制直方图的高
	high = int(0.9 * 256)
	# 绘制直方图
	for i in range(256):
		# 归一化像素点个数，防止越界
		# hist[i]仍然是一个数组，要将其中元素取出使用
		h = int(hist[i].item()/maxVal*high)
		cv.line(black,(i,256),(i,256-h),(255,0,0),1)
	# 显示图像
    cv.imshow('img',back)
    cv.waitKey(0)
    cv.destroyAllWindows()

三、直方图均衡化

• • 通俗的讲，就是遍历图像的像素统计出灰度值的个数、比例与累计比例，并重新映射到0-255范围（也可以是其他范围）内
    

1.自适应直方图均衡化

• 通过调整图像像素值的分布，使得图像的对比度和亮度得到改善。

• 假设给出某个图像的像素统计表，如下
  

• 接下来我们就要进行计算，就是将要缩放的范围（通常是缩放到0-255，所以就是255-0）乘以累计比例，得到新的像素值，并将新的像素值放到对应的位置上，比如像素值为50的像素点，将其累计比例乘以255，也就是0.33乘以255得到84.15，取整后得到84，并将84放在原图像中像素值为50的地方
  
  
  tips：这一过程看似会导致相邻像素值在某些情况下更接近，但实际上它增强了全局对比度

• dst = cv.equalizeHist(imgGray)

• imgGray为需要直方图均衡化的灰度图，返回值为处理后的图像

img = cv.imread(r"D:\AI\笔记课件\images\zhifang.png",cv.IMREAD_GRAYSCALE)
img1 = cv.equalizeHist(img)
cv.imshow('img',img)
cv.imshow('img1',img1)
cv.waitKey(0)
cv.destroyAllWindows()

• 该方法没有考虑局部特征和全局对比度的差异，可能导致导致噪点出现或者图像中出现过度增强的区域

2.对比度受限的自适应直方图均衡化

• 将图像划分为小区域，在每一个小区域内（默认8×8）进行直方图均衡化，以解决局部过度增强的问题

其主要步骤为：

1. 图像分块（Tiling）：
   • 图像首先被划分为多个不重叠的小块（tiles）。这样做的目的是因为在全局直方图均衡化中，单一的直方图无法反映图像各个局部区域的差异性。通过局部处理，AHE能够更好地适应图像内部的不同光照和对比度特性。（tiles 的 大小默认是 8x8）
2. 计算子区域直方图：
   • 对于每个小块，独立计算其内部像素的灰度直方图。直方图反映了该区域内像素值的分布情况。
3. 子区域直方图均衡化：
   • 对每个小块的直方图执行直方图均衡化操作。这涉及重新分配像素值，以便在整个小块内更均匀地分布。均衡化过程会增加低频像素的数量，减少高频像素的数量，从而提高整个小块的对比度。
4. 对比度限制（Contrast Limiting）：
   • 如果有噪声的话，噪声会被放大。为了防止过大的对比度增强导致噪声放大，出现了限制对比度自适应直方图均衡化（CLAHE）。CLAHE会在直方图均衡化过程中引入一个对比度限制参数。当某一小块的直方图在均衡化后出现极端值时，会对直方图进行平滑处理（使用线性或非线性的钳制函数），确保对比度增强在一个合理的范围内。
5. 重采样和邻域像素融合：
   • 由于小块之间是不重叠的，直接拼接经过均衡化处理的小块会产生明显的边界效应。因此，在CLAHE中通常采用重采样技术来消除这种效应，比如通过双线性插值将相邻小块的均衡化结果进行平滑过渡，使最终图像看起来更为自然和平滑。
6. 合成输出图像：
   • 将所有小块均衡化后的结果整合在一起，得到最终的自适应直方图均衡化后的图像。

clahe = cv2.createCLAHE(clipLimit=None, tileGridSize=None)
img = clahe.apply(image)

img = cv.imread(r"D:\AI\笔记课件\images\zhifang.png")
img_gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
img_equal = cv.equalizeHist(img_gray)
clahe = cv.createCLAHE()
img_clahe = clahe.apply(img_gray)
cv.imshow('img_equal',img_equal)
cv.imshow('img_clahe',img_clahe)
cv.waitKey(0)
cv.destroyAllWindows()

---

THE END