openCV实战——图像去雾

1 知识要点

'''
1 问    题：图像不清晰
2 解决方法：图像增强。图像增强是指按特定的需要突出一幅图像中的某些信息，并同时削弱或去除某些不需要的信息。
3 图像增强分类：
    （1）频域处理法：傅里叶变换、小波变换、卷积。
    （2）空域处理法：处理灰度图像像素。eg:直方图增强
4 灰度直方图：灰度直方图反应不同灰度级的分布情况。图像的视觉效果和其直方图有对应关系，通 过调整或变换其直方图的形状会对图像的显示效果有很大影响。
5 直方图均衡化：用于增强灰度值动态范围偏小的图像的对比度，它的基本思想是把原始 图像的灰度统计直方图变换为均匀分布形式，这样就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。
6 直方图均衡化步骤：
    （1）输入图像，计算该图像的直方图。
    （2）根据输入图像的直方图计算灰度值变换表。
    （3）执行变换 x'=H(x)。
7 直方图均衡化代码流程如下：
'''
# ## histeq(im,nbr_bins=256) ：img --> counts/total  -->.cumsum() --> cumsum*255
def get_pdf(img):
    total = img.size
    return [np.sum(img == i)/total  for i in range(256)]

def histeq_01(img):
    pr = get_pdf(img)
    img0 = img.copy()
    y_points = []
    cum = 0.
    for i in range(256):
        cum = cum + pr[i]
        img0[img==i] = cum * 255.
        y_points.append(cum * 255.)
    return img0, y_points

if __name__ == '__main__':
    import numpy as np
    from pylab import *
    from PIL import Image

    img = np.array(Image.open('luna.png').convert('L'))
    img0, y_points = histeq_01(img)
    img00 = Image.fromarray(np.uint8(img0))

    subplot(121)
    imshow(img, cmap='gray')
    subplot(122)
    imshow(img00,cmap='gray')

    show()

2 应用

2.1 绘制直方图

'''
cv2.calcHist(images,channels,mask,histSize,ranges[,hist[,accumulate]])
    images: 原图像。当传入函数时应该用中括号 [] 括起来，例如：[img]。
    channels: 如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像的话，传入的参数可以是 [0]，[1]，[2] 它们分别对应着通道 B，G，R。 　　
    mask: 掩模图像。要统计整幅图像的直方图就把它设为 None。但是如果你想统计图像某一部分的直方图的话，你就需要制作一个掩模图像，并使用它。（后边有例子） 　　
    histSize:BIN 的数目。也应该用中括号括起来，例如：[256]。 　　
    ranges: 像素值范围，通常为 [0，256]

'''
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('bg.png',0)
hist = cv2.calcHist([img],[0],None,[256],[0,256])
plt.plot(hist)
plt.show()

2.2 掩膜的应用

掩膜的主要是用来提取感兴趣区域。

import numpy as np
import cv2
from PIL import Image
from matplotlib import pyplot as plt
img = cv2.imread('bg.png',0)  #  (493, 600)

mask = np.zeros(img.shape[:2],np.uint8)
mask[200:350,300:500] = 255
mask_img = cv2.bitwise_and(img,img,mask)
mask_histr = cv2.calcHist([img],[0],mask,[256],[0,256])
plt.subplot(131)
plt.plot(img)
plt.subplot(132)
plt.plot(mask_img)
plt.subplot(133)
plt.plot(mask_img)
plt.show()

2.3 直方图均衡化

原图

直方图均衡化

'''
dst = cv2.equalizeHist(img)
    img: 灰度图像
    dst : 均衡化后的结果
'''
import numpy as np
import cv2
from PIL import Image
from matplotlib import pyplot as plt
img = cv2.imread('bg.png',0)  #  (493, 600)

dst = cv2.equalizeHist(img)
plt.subplot(121)
plt.plot(img)
plt.subplot(122)
plt.plot(dst)
plt.show()

2.4 自适应的直方图均衡化

将整幅图像分成很多小块，然后再对每一个小块分别进行直方图均衡化，最后进行拼接。

'''
cv2.createCLAHE(clipLimit, tileGridSize)
    clipLimit: 对比度限制，默认是40
    tileGridSize: 分块的大小，默认为8*8

'''
import cv2
from PIL import Image
from matplotlib import pyplot as plt
img = cv2.imread('bg.png',0)  #  (493, 600)

dst = cv2.createCLAHE(clipLimit=10.0, tileGridSize=(8,8)).apply(img)
plt.subplot(121)
plt.plot(img)
plt.subplot(122)
plt.plot(dst)
plt.show()

2.5 全局直方图处理

全 局直方图处理通过对 RGB 图像的 R、G、B 三层通道分别进行直方图均衡化，再整合到新的图 像的方式进行。

import numpy as np
import cv2
from PIL import Image
from matplotlib import pyplot as plt
img = cv2.imread('bg.png')  #  (493, 600)

dst0 = cv2.equalizeHist(img[...,0])
dst1 = cv2.equalizeHist(img[...,1])
dst2 = cv2.equalizeHist(img[...,2])
dst = img.copy()
dst[...,0] = dst0
dst[...,1] = dst1
dst[...,2] = dst2
plt.subplot(121)
plt.plot(img)
plt.subplot(122)
plt.plot(dst)
plt.show()
 # Image._show(Image.fromarray(img))

2.6 局部直方图处理

即自适应直方图均衡化

import numpy as np
import cv2
from PIL import Image
from matplotlib import pyplot as plt
img = cv2.imread('bg.png')  #  (493, 600)

clp  = cv2.createCLAHE(clipLimit=6.0, tileGridSize=(8,8))
dst0 = clp.apply(img[...,0])
dst1 = clp.apply(img[...,1])
dst2 = clp.apply(img[...,2])
dst = img.copy()
dst[...,0] = dst0
dst[...,1] = dst1
dst[...,2] = dst2
plt.subplot(121)
plt.plot(img)
plt.subplot(122)
plt.plot(dst)
plt.show()