初识直方图均衡化

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$5$~$10$之间（对比度是$10/5=2$）现将其映射到整个区域的输出图像到$0$ ~ $255$（对比度是$255/1=255$），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$[0,255]$。

其中，公式表示如下：
$$h\left(r_k\right)=n_k$$
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，$k=0,1,2\dots L-1$。由于$r_k$的增量是$1$,直方图可以表示为$p(k)=n_k$。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：
$p(r_k)=n_k/n$

• $n$ 是图像的像素总数（如一幅$32\ast 32$的图像，像素总数就是$1024$）。
• $n_k$是图像中灰度级为$r_k$的像素个数
• $r_k$是第$k$个灰度级，$k=0,1,2,\dots ,L-1$

因此，该函数主要有以下几个特性：

1. 使函数值压缩到[0,1]区间。
2. 给出灰度级$r_k$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：
$$s_k=\sum _{j=0}^k\frac{n_j}{n},k=0,1,2,,,L-1$$
注：

• $n$是图像中像素的总和
• $n_j$是当前灰度级的像素个数
• $L$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：$s=T(r)$，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

1. https://blog.csdn.net/IT_charge/article/details/105560087
2. https://zhuanlan.zhihu.com/p/98541241
3. https://blog.csdn.net/rocling/article/details/104559472