对比度拉伸(Contrast Stretching)
- 用一个分段线性函数进行直方图的拉伸,缺点是对于比较复杂的图片,并没有什么效果
Histogram Equalization
- 用数学方法重新调整像素的亮度分布,来保证直方图具有最大的动态范围,也就是尽可能地让灰度直方图是一个矩形
- 缺点:对于一些灰度非常集中的区域,直方图会被拉伸的很稀疏,导致对比度过大,许多区域成为噪音。比如一张基本全黑的图拉伸后可能出现白色区域,如下图
限制对比度的HE:Contrast Limited HE
- 针对上述问题,提出了CLHE,加入对比度限制,其实原理很简单:设置直方图分布的阈值,将超过该阈值的分布“均匀”分散至概率密度分布上,由此来限制转换函数(累计直方图)的增幅。这样的话,直方图就不会出现概率密度函数过大的区域,从而避免了某些集中区域被拉得过于系数。
Adaptive HE
- Adaptive HE的基本思想是将原始图片划分成子区域,然后对每个子区域进行HE变换。当然,这样做的问题应该是显而易见的:每一块区域之间都会有非常大的不连续
- 因此为了解决这个问题,提出了优化方案双线性插值的AHE,然后这个基础上再使用CLHE的截断对比度的思想,就变成了我们现在的CLAHE算法。
使用CV2库函数实现自适应直方图均衡化
# 传入灰度图,返回灰度图的直方图均衡化
def CLAHE_GRAY(img):
# create a CLAHE object
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
cl1 = clahe.apply(img)
return cl1
# 传入色彩图像,返回RGB图像
def CLAHE_COLOR(img):
img_yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)
channels = cv2.split(img_yuv)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
# apply()函数的第一个参数是输入图像,第二个参数是输出图像
clahe.apply(channels[0], channels[0])
img_yuv = cv2.merge(channels)
img_output = cv2.cvtColor(img_yuv, cv2.COLOR_YUV2BGR)
return img_output
参考:https://cloud.tencent.com/developer/article/1667213