图像增强-直方图均衡化

图像增强-直方图均衡化

直方图定义

定义1

一个灰度级在范围$[0,L-1]$的数字图像的直方图是一个离散函数$h(r_k)=n_k$

其中，$n_k$是图像中灰度级为$r_k$的像素个数，$r_k$是第k个灰度级，$k=0,1,2,...,L-1$

由于$r_k$的增量为1，直方图表示为：$p(k)=n_k$

定义2

一个灰度级在范围$[0,L-1]$的数字图像的直方图是一个离散函数$p(r_k)=n_k/n$

其中，$n$是图像的像素总数，$n_k$是图像中灰度级为$r_k$的像素个数，$r_k$是第k个灰度级，$k=0,1,2,...,L-1$

对比

对比上面两种定义，定义2将其映射至了[0,1]区间，函数值范围于像素总数无关，给出了灰度级$r_k$在图像中的概率密度统计。

注意：直方图没有描述像素的空间关系，仅仅描述灰度级分布。

直方图均衡化

基本思想

希望一幅图像的像素占有全部可能的灰度级且分布均匀，能够具有高对比度。

把原始图的直方图变换为均匀分布的形式，增加了像素灰度值的动态范围，从而达到增强图像整体对比度的效果。

其中，我们使用灰度级变换进行实现：$s=T(r),0\le r\le 1$

灰度级变换

$T(r)$满足两个条件：

1. $T(r)$在区间$0\le r\le 1$中为单值且单调递增

   保证原图各灰度级在变换后仍保持从黑到白/从白到黑的排列次序

2. 当$0\le r\le 1$时，$0\le T(r)\le 1$

   保证变换前后灰度动态范围的一致性

均衡化计算

对于离散值：$p_r(r_k)=\frac{n_k}{n}$

为了将离散值的范围增大，分布更加均匀从而提高对比度，我们利用累加的方式，其变换函数的离散形式为：

$s_k=T(r_k)=(L-1){\sum }_{j=0}^k{p}_r(r_j)=(L-1){\sum }_{j=0}^k\frac{n_j}{n}$

其中，$k=0,1,...,L-1$

通过$s_k$，根据像素点的原灰度值k作为索引，可以得到对应的均衡化后的灰度值$s_k$，从而得到均衡化后的图像

代码实现

导入一些库和函数：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
%matplotlib inline

#释放窗口
def releaseWin():
    cv.waitKey(0)
    cv.destroyAllWindows()
    key = cv.waitKey(0)
    if key==27:
        print(key)
        cv.destroyAllWindows()
        
def plotHist(img, xstr='gray level'):
    h, w = img.shape[:2]
    histogram, _, _ = plt.hist(img.reshape([h * w, ]), bins=256,
                                  facecolor='black', histtype='bar')
    plt.xlabel(xstr)
    plt.ylabel("the number of pixels")
    plt.axis([0, 255, 0, np.max(histogram)])
    
    plt.show()

def plotPolyHist(img1, img2, img3, strs):
    h, w = img1.shape[:2]
    plt.figure(figsize=(20,5))
    plt.subplot(1,3,1)
    histogram, _, _ = plt.hist(img1.reshape([h * w, ]), bins=256,
                                  facecolor='black', histtype='bar')
    plt.xlabel(strs[0])
    
    plt.subplot(1,3,2)
    histogram, _, _ = plt.hist(img2.reshape([h * w, ]), bins=256,
                                  facecolor='black', histtype='bar')
    plt.xlabel(strs[1])
    
    plt.subplot(1,3,3)
    histogram, _, _ = plt.hist(img3.reshape([h * w, ]), bins=256,
                                  facecolor='black', histtype='bar')
    plt.xlabel(strs[2])
    
def Multiplot(img1, img2, img3, strs):
    plt.figure(figsize=(20,5))
    plt.subplot(1,3,1)
    plt.imshow(img1, cmap='gray')
    plt.xlabel(strs[0])
    
    plt.subplot(1,3,2)
    plt.imshow(img2, cmap='gray')
    plt.xlabel(strs[1])
    
    plt.subplot(1,3,3)
    plt.imshow(img3, cmap='gray')
    plt.xlabel(strs[2])

自己实现直方图均衡化

# 统计灰度直方图
def calcGrayHistNormal(I):
    hist = np.zeros(256)
    for i in range(I.shape[0]):
        for j in range(I.shape[1]):
            hist[I[i][j]] += 1
    return hist / (I.shape[0] * I.shape[1])
    
# 直方图均衡化
def myEqualizeHist(img):
    hist_sum, output_img = np.zeros(256), np.zeros_like(img)
    hist = calcGrayHistNormal(img)

    # 计算均衡后的直方图
    for i in range(256):
        hist_sum[i] = sum(hist[:i+1])
        hist_sum[i] = int(255 * hist_sum[i] + 0.5) # 放缩至[0,255]并四舍五入

    # 根据映射关系进行灰度图均衡化
    for i in range(img.shape[0]):
        for j in range(img.shape[1]):
            output_img[i][j] = hist_sum[img[i][j]]
    
    return output_img
    
hist_sum, output_img = np.zeros(256), np.zeros_like(img)
hist = calcGrayHist(img)

# 计算均衡后的直方图
for i in range(256):
    hist_sum[i] = sum(hist[:i+1])
    hist_sum[i] = int(255 * hist_sum[i] + 0.5) # 放缩至[0,255]并四舍五入

# 根据映射关系进行灰度图均衡化
for i in range(img.shape[0]):
    for j in range(img.shape[1]):
        output_img[i][j] = hist_sum[img[i][j]]
        
plt.imshow(output_img, cmap='gray')

opencv实现直方图均衡化

只需要一个cv.equalizeHist(img)即可实现。

对比自己的和opencv的效果

import os
import time
# 读取文件下的所有灰度图片
def readPathGrayPic(path):
    img_list, namelist = [], []
    for name in os.listdir(path):
        img = cv.imread(path+r'\\'+name, 0)
        img_list.append(img)
        namelist.append(name)
    return img_list, namelist

img_list, namelist = readPathGrayPic(r'C:\Users\admin\Desktop\Data\ComputerVision\exp1\testPic')
timeList1, timeList2 = [], []
for img in img_list:
    time1, time2 = 0, 0
    start = time.time()
    myoutput = myEqualizeHist(img)
    time1 = time.time() - start
    timeList1.append(time1)
    
    start = time.time()
    output = cv.equalizeHist(img)
    time2 = time.time() - start
    timeList2.append(time2)