cv2 直方图均衡化

 

直方图均衡化的作用是图像增强。

有两个问题比较难懂，一是为什么要选用累积分布函数，二是为什么使用累积分布函数处理后像素值会均匀分布。

第一个问题。均衡化过程中，必须要保证两个条件：①像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；②如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。综合以上两个条件，累积分布函数是个好的选择，因为累积分布函数是单调增函数（控制大小关系），并且值域是0到1（控制越界问题），所以直方图均衡化中使用的是累积分布函数。

第二个问题。累积分布函数具有一些好的性质，那么如何运用累积分布函数使得直方图均衡化？比较概率分布函数和累积分布函数，前者的二维图像是参差不齐的，后者是单调递增的。直方图均衡化过程中，映射方法是

其中，n是图像中像素的总和，nk是当前灰度级的像素个数，L是图像中可能的灰度级总数。

来看看通过上述公式怎样实现的拉伸。假设有如下图像：

得图像的统计信息如下图所示，并根据统计信息完成灰度值映射：

映射后的图像如下所示：

以上就是直方图映射均衡化的步骤，当然还有一些基于此的更优算法，比如Photoshop中的方法，在此就不一一列举了，大同小异。直方图均衡化的作用是图像增强。

opencv中的直方图均衡化

使用cv2.equalizeHist()函数

输入灰度图，输出均衡化的图片：

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('13.jpg',0)
equ = cv2.equalizeHist(img)
res = np.hstack((img,equ))#两个图片的像素分布连接在一起，拍成一维数组
cv2.imshow('p', equ)
cv2.waitKey(0)

CLAHE对比限制适应性直方图均衡化 

之前的直方图均衡化会改版图像对比度，这不是好办法。例如下面的图片。 

对比度改变以后丢失很多图像信息（人脸的阴影），造成这样的原因是因为该图像的直方图没有集中在同一个区域。 

这里使用自适应直方图均衡化。此方法将图像分成小区域，称之为tiles，在opencv中默认为8×8，之后对这些tiles直方图均衡化。所以每一个去榆中，直方图会集中在一个小的区域。但是如果有噪声，噪声会被放大。为了避免此情况发生，要使用对比度限制。对于每个tiles，如果直方图中的bin超过对比度上限，就将其中的像素均分到其他bins中，然后直方图均衡化。最后使用双线性插值对每一个tiles的边界进行拼接。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('13.jpg',0)
# create a CLAHE object (Arguments are optional).
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)
cv2.imshow('p',cl1)
cv2.waitKey(0)

结果如下：

转自：

https://www.cnblogs.com/tianyalu/p/5687782.html

https://blog.csdn.net/tengfei461807914/article/details/76952276