python 直方图每个bin中的值_OpenCV-Python Histogram-2: 直方图均衡｜ 27

目标

在本节中，

我们将学习直方图均衡的概念，并将其用于改善图像的对比度. 理论

请考虑将像素值限制在特定值范围内的图像. 例如，较亮的图像会将所有像素限制为较高的值. 但是，好的图像将具有图像所有区域的像素. 因此，您需要将此直方图拉伸到两端（如下图所示，来自维基百科），这就是直方图均衡化的作用（简单来说）. 通常可以改善图像的对比度.

我建议您阅读直方图均衡化上的Wikipedia页面，以获取有关它的更多详细信息. 它很好地解释了示例，因此您在阅读示例后几乎可以理解所有内容. 相反，在这里我们将看到其Numpy实现. 之后，我们将看到OpenCV功能.

将numpy导入为np，将cv2导入为cv，从matplotlib导入pyplot，作为pltimg = cv.imread（'wiki.jpg'，0）hist，bins = np.histogram（img.flatten（），256，[0,256]）cdf = hist.cumsum（）cdf_normalized = cdf * float（hist.max（））/ cdf.max（）plt.plot（cdf_normalized，color ='b'）plt.hist（img.flatten（），256，[0,256] ，color ='r'）plt.xlim（[0,256]）plt.legend（（''cdf'，'histogram'），loc ='upper left'）plt.show（）

您可以看到直方图位于较亮的区域. 我们需要全方位的服务. 为此，我们需要一个转换函数，将亮区域的输入像素映射到整个区域的输出像素. 这就是直方图均衡化的作用.

现在，我们找到最小的直方图值（不包括0），并应用Wiki页面上给出的直方图均衡方程. 但是我在这里使用了它，这是来自Numpy的遮罩数组的概念数组. 对于掩码数组，所有操作都在非掩码元素上执行. 您可以从Numpy文档中了解有关掩码数组的更多信息.

cdf_m = np.ma.masked_equal（cdf，0）cdf_m =（cdf_m-cdf_m.min（））* 255 /（cdf_m.max（）-cdf_m.min（））cdf = np.ma.filled（ cdf_m，0）.astype（'uint8'）现在，我们有一个查找表，可为我们提供有关每个输入像素值的输出像素值是什么的信息. 因此，我们仅应用转换.

img2 = cdf [img]现在，我们像以前一样计算直方图和cdf（这样做），结果如下:

另一个重要特征是，即使图像是较暗的图像（而不是我们使用的较亮的图像），在均衡后，我们将获得几乎相同的图像. 因此，它被用作“参考工具”，以便所有图像具有相同的照明条件. 这在许多情况下很有用. 例如，在面部识别中，在训练面部数据之前，对面部图像进行直方图均衡处理，以使其具有相同的照明条件.

OpenCV中的直方图均衡化

OpenCV具有函数cv.equalizeHist（）来执行此操作. 它的输入只是一个灰度图像，输出是我们的直方图平衡图像. 这是一个简单的代码片段，显示了我们使用的同一张图片的用法:

img = cv.imread（'wiki.jpg'，0）equ = cv.equalizeHist（img）res = np.hstack（（img局部直方图均衡化opencv2，equ））#并排堆叠图像cv.imwrite（'res .png'，res）

因此局部直方图均衡化opencv2，您现在可以在不同的光照条件下拍摄不同的图像，对其进行均衡并检查结果.

当图像的直方图限制在特定区域时，直方图均衡效果非常好. 直方图的强度覆盖较大区域（即，既有亮像素又有暗像素）时，效果不好. 请检查其他资源中的SOF链接.

CLAHE（对比度受限的自适应直方图均衡化）

我们刚刚看到的第一个直方图均衡化考虑了图像的整体对比度. 在许多情况下，这不是一个好主意. 例如，下图显示了输入图像及其在全局直方图均衡后的结果.

在直方图均衡后，背景对比度确实得到了改善. 但是在两个图像中比较雕像的脸. 由于亮度很高，我们在那里丢失了大多数信息. 这是因为它的直方图并不局限于前面的案例（尝试绘制输入图像的直方图，您将获得更多的直觉）.

因此，为了解决该问题，使用了自适应直方图均衡. 在这种情况下，图像被分成称为“ tiles”的小图块（在OpenCV中，tileSize默认为8x8）. 然后，照常对每个这些块执行直方图均衡化. 因此，在较小的区域内，直方图将被限制在较小的区域内（除非存在噪声）. 如果有噪音，它将被放大. 为避免这种情况，将应用对比度限制. 如果任何直方图bin超出指定的对比度限制（在OpenCV中默认为40），则在应用直方图均衡之前，这些像素将被裁剪并均匀地分布到其他bin中. 均衡后，要消除块边界中的伪影，请应用双线性插值.

以下代码段显示了如何在OpenCV中应用CLAHE:

将numpy导入为np将cv2导入为cvimg = cv.imread（'tsukuba_l.png'，0）#创建一个CLAHE对象（参数是可选的）.clahe = cv.createCLAHE（clipLimit = 2.0，tileGridSize =（8,8 ））cl1 = clahe.apply（img）cv.imwrite（'clahe_2.jpg'，cl1）查看以下结果并将其与上述结果进行比较，尤其是雕像区域:

其他资源

直方图均衡化的维基百科页面: Numpy中的蒙版阵列:)有关对比度调整的问题:

如何在C中的OpenCV中调整对比度？如何使用opencv均衡图像的对比度和亮度？ ）

本文来自电脑杂谈，转载请注明本文网址：

http://www.pc-fly.com/a/jisuanjixue/article-189378-1.html