各位大家好,我是灿视,今天是一篇传统图像处理,直方图均衡~
直方图均衡化,可以对在不同的光线条件下拍摄不同的图片进行均衡化处理,使得这些图片具有大致相同的光照条件。因此,我们可以用在训练模型之前,对图像进行对预处理。
直方图均衡
1. 直方图与对比度
首先,我们看下面的图像:
左列为原图,我们在观看的时候,感受很差。为什么很差呢?因为前景(关键区域)与背景太相似,无法很好的得到前景的信息。这就是表明,这些图像的对比度小,视觉体验很差。
其中,对比度是由两个相邻区域的亮度差异产生的。
对比度是使一个物体与其他物体区别开来的视觉特性上的差异。在视觉感知中,对比度是由物体与其他物体的颜色和亮度差异决定的,而我们的视觉系统对对比度比对绝对亮度更敏感。那么,如何量化一个图像中的对比度呢?我们先了解下直方图。
通过直方图我们可以看到各个灰度级的像素个数,即像素的分布情况。如果图像的大部分的像素都集中在直方图的某个范围,就表示图像中的大部分像素的灰度值差别很小,无法很好地进行分辨图像中的物体。
如原图像的像素值介于 5 5 5~ 10 10 10之间(对比度是 10 / 5 = 2 10/5=2 10/5=2)现将其映射到整个区域的输出图像到 0 0 0 ~ 255 255 255(对比度是 255 / 1 = 255 255/1=255 255/1=255),由此可见,对比度得到了很大的提升。
2. 直方图的定义
图像的直方图:反应图像强度分布的总体概念。宽泛的来说直方图给出了图像对比度、亮度和强度分布信息。其中,强度就是一幅图像的像素取值,如 [ 0 , 255 ] [0, 255] [0,255]。
其中,公式表示如下:
h
(
r
k
)
=
n
k
h\left(r_{k}\right)=n_{k}
h(rk)=nk
其中,
n
k
n_{k}
nk是图像中灰度级为
r
k
r_{k}
rk的像素个数。
r
k
r_{k}
rk是第
k
k
k个灰度级,
k
=
0
,
1
,
2
…
L
−
1
k=0,1,2…L-1
k=0,1,2…L−1。由于
r
k
r_{k}
rk的增量是
1
1
1,直方图可以表示为
p
(
k
)
=
n
k
p(k)=n_{k}
p(k)=nk。即,图像中不同灰度级像素出现的次数。
概括来说,直方图就是横坐标表示成像素值,纵坐标表示各个像素值的个数的图。
3.直方图均衡化的引入
若一幅图像的像素倾向于占据整个可能的灰度级并且分布均匀,则该图像有较高的对比度并且图像展示效果会相对好,于是便引出图像直方图均衡化,对图像会有很强的增强效果。
3.1 直方图归一化
先了解直方图归一化的概念,公式为:
p
(
r
k
)
=
n
k
/
n
p(r_{k})=n_{k}/n
p(rk)=nk/n
- n n n 是图像的像素总数(如一幅 32 ∗ 32 32*32 32∗32的图像,像素总数就是 1024 1024 1024)。
- n k n_{k} nk是图像中灰度级为 r k r_{k} rk的像素个数
- r k r_{k} rk是第 k k k个灰度级, k = 0 , 1 , 2 , … , L − 1 k = 0,1,2,…,L-1 k=0,1,2,…,L−1
因此,该函数主要有以下几个特性:
- 使函数值压缩到[0,1]区间。
- 给出灰度级 r k r_{k} rk在图像中出现的概率密度统计。
3.2 直方图均衡化
直方图均衡化是建立在直方图归一化的基础之上。直方图均衡化的公式如下所示:
s
k
=
∑
j
=
0
k
n
j
n
,
k
=
0
,
1
,
2
,
,
,
L
−
1
s_{k}=\sum_{j=0}^{k}\frac{n_{j}}{n}, k=0, 1, 2,,,L-1
sk=j=0∑knnj,k=0,1,2,,,L−1
注:
- n n n是图像中像素的总和
- n j n_{j} nj是当前灰度级的像素个数
- L L L是图像中可能的灰度级总数
其中,直方图均衡化是采用的灰度级变换: s = T ( r ) s = T(r) s=T(r),目的是欲将原始图的直方图变换为均匀分布的形式,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。
代码如下:
import cv2
import numpy as np
import matplotlib.pyplot as plt
if __name__ == "__main__":
# 读取图像并转换为灰度图
img = cv2.imread(r'./imgs/boy.png')
# 图像的灰度级范围是0~255
# grayHist = cv2.calcHist([img], [0], None, [256], [0, 256])
(b, g, r) = cv2.split(img)
bH = cv2.equalizeHist(b)
gH = cv2.equalizeHist(g)
rH = cv2.equalizeHist(r)
# 合并每一个通道
result = cv2.merge((bH, gH, rH))
res = np.hstack((img, result))
cv2.imshow("dst", res)
cv2.waitKey(0)
其中关于像素的统计量如下:
4. 小结
目前,基本的图像直方图均衡已经说完了,但是如果我们仔细看上图,会发现均衡化处理后对比度大大增强了,但是这个boy好像有点太亮了,这是因为这个直方图均衡化操作是对全局进行均衡化,直方图覆盖的范围太大,反而会丢失boy的一些信息。
因此,明天我们会继续沿着直方图均衡引入自适应直方图均衡化(AHE) 以及 限制对比度自适应直方图均衡化(CLAHE) 等直方图均衡化算法。
5. 参考
- https://blog.csdn.net/IT_charge/article/details/105560087
- https://zhuanlan.zhihu.com/p/98541241
- https://blog.csdn.net/rocling/article/details/104559472