OpenCV--Python 图像增强（线性变换，直方图正规化，伽马变换，全局直方图均衡化，限制对比度的自适应直方图均衡化）_cv2直方图正规化

pixelSequence = img.reshape([h * w, ])
numberBins = 256
histogram, bins, patch = plt.hist(pixelSequence, numberBins,
facecolor=‘black’, histtype=‘bar’)
plt.xlabel(“gray label”)
plt.ylabel(“number of pixels”)
plt.axis([0, 255, 0, np.max(histogram)])
plt.show()
cv.imshow(“img”, img)
cv.waitKey()

![](https://img-blog.csdn.net/20180915215931851?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM4MDA3Njk1/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)


图像的对比度是通过灰度级范围来度量的，而灰度级范围可通过观察灰度直方图得到，灰度级范围越大代表对比度越高；反之对比度越低，低对比度的图像在视觉上给人的感觉是看起来不够清晰，所以通过算法调整图像的灰度值，从而调整图像的对比度是有必要的。最简单的一种对比度增强的方法是通过灰度值的线性变换实现的。


### 2.线性变换


假设输入图像为![I](https://private.codecogs.com/gif.latex?I)，宽为![W](https://private.codecogs.com/gif.latex?W)，高为![H](https://private.codecogs.com/gif.latex?H)，输出图像记为![O](https://private.codecogs.com/gif.latex?O)，图像的线性变换可以用以下公式定义：


        ![O(r,c) = a * I(r,c) + b, 0\leqslant r<H,0\leqslant c<W](https://private.codecogs.com/gif.latex?O%28r%2Cc%29%20%3D%20a%20*%20I%28r%2Cc%29%20&plus;%20b%2C%200%5Cleqslant%20r%3CH%2C0%5Cleqslant%20c%3CW)


如下图所示，当a=1，b=0时，![O](https://private.codecogs.com/gif.latex?O)为![I](https://private.codecogs.com/gif.latex?I)的一个副本；如果a>1，则输出图像![O](https://private.codecogs.com/gif.latex?O)的对比度比![I](https://private.codecogs.com/gif.latex?I)有所增大；如果0<a<1，则![O](https://private.codecogs.com/gif.latex?O)的对比度比![I](https://private.codecogs.com/gif.latex?I)有所减小。而b值的改变，影响的是输出图像的亮度，当b>0时，亮度增加；当b<0时，亮度减小。下面代码实现：

import numpy as np
a = np.array([[0, 200], [23, 4]], np.uint8)
b = 2 * a
print(b.dtype)
print(b)
‘’’
uint8
[[ 0 144]
[ 46 8]]
‘’’

在上面代码中，输入的是一个uint8类型的ndarray，用数字2乘以该数组，返回的ndarray的数据类型是uint8。注意输出第0行第1列，200\*2应该等于400，但是400超出了uint8的数据范围，Numpy是通过模运算归到uint8范围的，即400%256=144，从而转换成uint8类型。如果将常数2改为2.0，虽然这个常数只是整型和浮点型的区别，但是结果却不一样。代码如下：

import numpy as np
a = np.array([[0, 200], [23, 4]], np.uint8)
b = 2.0 * a
print(b.dtype)
print(b)
‘’’
float64
[[ 0. 400.]
[ 46. 8.]]
‘’’

可以发现返回的ndarray的数据类型变成了float64，也就是说，相乘的常数是2和2.0会导致返回的ndarray的数据类型不一样，就会造成200\*2的返回值是144，而200\*2.0的值却是400；而对8位图进行对比度增强来说，线性变换计算出的输出值可能要大于255，需要将这些值截断为255，而不是取模运算，所以不能简单地只是用“\*”运算来实现线性变换。具体代码如下：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt