图像运算和图像增强六

图像运算和图像增强六

1.图像增强和直方图均衡化处理

（1）图像增强

(2)直方图均衡化原理（应用于图像增强）
直方图均衡化三个核心步骤
1.统计直方图中每个灰度级出现的次数
2.计算累计归一化直方图
3.重新计算像素点的像素值
dst = cv2.equalizeHist(src)

import cv2
import numpy as np
import matplotlib.pyplot as plt
 img=cv2.imread('lena.png')
 gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#直方图均衡化处理
result=cv2.equalizeHist(gray)

#显示图像
plt.subplot(221)
plt.imshow(gray,cmap=plt.cm.gray),plt.axis('off'),plt.title('(a)')
plt.subplot(222)
plt.imshow(result,cmap=plt.cm.gray),plt.axis('off'),plt.title('(b)')

plt.subplot(223)
plt.hist(img.ravel(),256),plt.title('(c)')
plt.subplot(224)
plt.hist(result.ravel(),256),plt.title('(d)')
plt.show()

如果需要对彩色图片进行全局直方图均衡化处理，则需要分解 RGB 三色通道，分别进行处理后再进行通道合并。完整代码如下所示：

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

#读取图片
img=cv2.imread('yxz.jpg')
#彩色图像均衡化 需要分解通道 对每一个通道均衡化
（b,g,r)=cv2.split(img)
bH=cv2.equalizeHist(b)
gH=cv2.equalizeHist(g)
rH=cv2.equalizeHist(r)
#合并每一个通道
result=cv2.merge((bH,gH,rH))
cv2.imshow('input',img)
cv2.imshow('result',result)

#等待显示
cv2.waitKey(0)
cv2.destoryAllWindows()
#绘制直方图
plt.figure('Hist')
#蓝色分量
plt.hist(bH.ravel(),bins=256,normed=1,facecolor='b',edgecolor='b',hold=1)
#绿色分量
plt.hist(gH.ravel(),bins=256,normed=1,facecolor='g',edgecolor='g',hold=1)
#红色分量
plt.hist(rH.ravel(),bins=256,normed=1,facecolor='r',edgecolor='r',hold=1)

plt.xlable('x')
plt.ylable('y')
plt.show()

2.局部直方图均衡化和自动色彩均衡化处理

(1)局部直方图均衡化
调用函数 createCLAHE()实现对比度受限的局部直方图均衡化。它将整个图像分成许多小块（比如按 10×10 作为一个小块），那么对每个小块进行均衡化。这种方法主要对于图像直方图不是那么单一的（比如存在多峰情况）图像比较实用。
retval = createCLAHE([, clipLimit[, tileGridSize]])

import cv2 
import numpy as np 
import matplotlib.pyplot as plt
#读取图片
img = cv2.imread('lena.bmp')
#灰度转换
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#局部直方图均衡化处理
clahe = cv2.createCLAHE(clipLimit=2, tileGridSize=(10,10))
#将灰度图像和局部直方图相关联, 把直方图均衡化应用到灰度图
result = clahe.apply(gray)
#显示图像
plt.subplot(221)
plt.imshow(gray, cmap=plt.cm.gray), plt.axis("off"), plt.title('(a)') 
plt.subplot(222)
plt.imshow(result, cmap=plt.cm.gray), plt.axis("off"), plt.title('(b)') 
plt.subplot(223)
plt.hist(img.ravel(), 256), plt.title('(c)') 
plt.subplot(224)
plt.hist(result.ravel(), 256), plt.title('(d)') 
plt.show()

（2）自动色彩均衡化（ACE算法）

ACE 算法包括两个步骤，一是对图像进行色彩和空域调整，完成图像的色差校正，得到空域重构图像；二是对校正后的图像进行动态扩展。ACE 算法计算公式如下：

其中，W 是权重参数，离中心点像素越远的 W 值越小；g 是相对对比度调节参数，其计算方法如公式(22-2)所示，a 表示控制参数，值越大细节增强越明显。

import cv2
import numpy as np
import math
import matplotlib.pyplot as plt
#线性拉伸处理
#去掉最大最小 0.5%的像素值 线性拉伸至[0,1]
def stretchImage(data, s=0.005, bins = 2000): 
 	ht = np.histogram(data, bins);
 	d = np.cumsum(ht[0])/float(data.size)
	 lmin = 0; lmax=bins-1
	 while lmin<bins:
		 if d[lmin]>=s:
			 break
		 lmin+=1
	 while lmax>=0:
		 if d[lmax]<=1-s:
			break
		 lmax-=1
	 return np.clip((data-ht[1][lmin])/(ht[1][lmax]-ht[1][lmin]), 0,1)
#根据半径计算权重参数矩阵
g_para = {}
def getPara(radius = 5): 
 	global g_para
 	m = g_para.get(radius, None)
	 if m is not None:
 		return m
 	size = radius*2+1
 	m = np.zeros((size, size))
	 for h in range(-radius, radius+1):
 		for w in range(-radius, radius+1):
			 if h==0 and w==0:
				 continue
			 m[radius+h, radius+w] = 1.0/math.sqrt(h**2+w**2)
 	m /= m.sum()
 	g_para[radius] = m
	 return m


#单通道 ACE 快速增强实现
def zmIceFast(I, ratio, radius):
 	print(I)
	height, width = I.shape[:2]
	if min(height, width) <=2:
		 return np.zeros(I.shape)+0.5
	 Rs = cv2.resize(I, (int((width+1)/2), int((height+1)/2)))
	 Rf = zmIceFast(Rs, ratio, radius) #递归调用
	 Rf = cv2.resize(Rf, (width, height))
	 Rs = cv2.resize(Rs, (width, height))
	 return Rf+zmIce(I,ratio, radius)-zmIce(Rs,ratio,radius)
#rgb 三通道分别增强 ratio 是对比度增强因子 radius 是卷积模板半
径 
def zmIceColor(I, ratio=4, radius=3): 
	 res = np.zeros(I.shape)
	 for k in range(3):
		 res[:,:,k] = stretchImage(zmIceFast(I[:,:,k], ratio, radius))
	 return res
 
#主函数
if __name__ == '__main__':
	 img = cv2.imread('test01.png')
	 res = zmIceColor(img/255.0)*255
	 cv2.imwrite('Ice.jpg', res)