机器学习进阶-直方图与傅里叶变化-直方图均衡化 1.cv2.equalizeHist(进行直方图均衡化) 2. cv2.createCLAHA(用于生成自适应均衡化图像)...-CSDN博客

1. cv2.equalizeHist(img) # 表示进行直方图均衡化

参数说明：img表示输入的图片

2.cv2.createCLAHA(clipLimit=8.0, titleGridSize=(8, 8)) 用于生成自适应均衡化图像

参数说明：clipLimit颜色对比度的阈值， titleGridSize进行像素均衡化的网格大小，即在多少网格下进行直方图的均衡化操作

直方图均衡化：一般可以用来提升图片的亮度，在上面一节中，我们可以看出在150-200之间所占的频数特别的大，频数均衡化指的是让频数的分布看起来更加均匀一些

主要实现的手段

上图中的左边的图是原始数据, 右边的图是进行函数映射后的灰度值

首先对各个灰度值做频数统计，计算其概率，根据像素的灰度值计算出累积概率，最后将累积概率 * (255-0) 做为函数映射后的灰度值，

这样做的目的，可以使得灰度值之间的间隔更小，即一些频数较大的灰度值补充给了频数较小的灰度值，从而实现了灰度值的均衡化

代码：

第一步：读入图片

第二步：使用cv2.equalizeHist(img)均衡化像素

第三步：使用plt.hist 画出均衡化的直方图

第四步：使用plt.imshow 画出均衡化后的图像

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


# 第一步：读入图片
img = cv2.imread('cat.jpg', 0)

# 第二步: 使用cv2.equalizeHist实现像素点的均衡化
ret = cv2.equalizeHist(img)

# 第三步：使用plt.hist绘制像素直方图
plt.subplot(121)
plt.hist(img.ravel(), 256)
plt.subplot(122)
plt.hist(ret.ravel(), 256)
plt.show()

# 第四步：使用cv2.imshow()绘值均衡化的图像
cv2.imshow('ret', np.hstack((img, ret)))
cv2.waitKey(0)

这种全局的均衡化也会存在一些问题，由于整体亮度的提升，也会使得局部图像的细节变得模糊，因为我们需要进行分块的局部均衡化操作

代码：

第一步：使用cv2.createCLAHE(clipLimit=2.0, titleGridSize=(8, 8)) 实例化均衡直方图函数
第二步：使用.apply进行均衡化操作

第三步：进行画图操作

# 使用自适应直方图均衡化
# 第一步：实例化自适应直方图均衡化函数
clahe = cv2.createCLAHE(clipLimit=2.0,
                        tileGridSize=(8, 8))

# 第二步：进行自适应直方图均衡化
clahe = clahe.apply(img)

# 第三步：进行图像的展示
cv2.imshow('imgs', np.hstack((img, ret, clahe)))
cv2.waitKey(0)
cv2.destroyAllWindows()