python opencv 直方图均衡_OpenCV-Python教程（10、直方图均衡化）

相比C++而言，Python适合做原型。本系列的文章介绍如何在Python中用OpenCV图形库，以及与C++调用相应OpenCV函数的不同之处。这篇文章介绍在Python中使用OpenCV和NumPy对直方图进行均衡化处理。

提示：

转载请详细注明原作者及出处，谢谢！

本文不介详细的理论知识，读者可从其他资料中获取相应的背景知识。笔者推荐清华大学出版社的《 》，对于本节的内容，建议直接参考 维基百科直方图均衡化 ，只需看下页面最后的两幅图就能懂了。

本文内容：

使用查找表拉伸直方图

使用OpenCV和NumPy的函数以不同的方式进行直方图均衡化

在某些情况下，一副图像中大部分像素的强度都集中在某一区域，而质量较高的图像中，像素的强度应该均衡的分布。为此，可将表示像素强度的直方图进行拉伸，将其平坦化。如下：

图来自维基百科

实验数据

本节的实验数据来自维基百科，原图如下：

其直方图为：

使用查找表来拉伸直方图

在图像处理中，直方图均衡化一般用来均衡图像的强度，或增加图像的对比度。在介绍使用直方图均衡化来拉伸图像的直方图之前，先介绍使用查询表的方法。

观察上图中原始图像的直方图，很容易发现大部分强度值范围都没有用到。因此先检测图像非 0 的最低（ imin ）强度值和最高（ imax ）强度值。将最低值 imin 设为 0 ，最高值 imax 设为 255 。中间的按255.0*(i-imin)/(imax-imin)+0.5)的形式设置。

实现的任务主要集中在查询表的创建中，代码如下：

minBinNo, maxBinNo = 0, 255#计算从左起第一个不为0的直方图位置for binNo, binValue in enumerate(hist): if binValue != 0:minBinNo = binNobreak#计算从右起第一个不为0的直方图位置for binNo, binValue in enumerate(reversed(hist)): if binValue != 0:maxBinNo = 255-binNobreakprint minBinNo, maxBinNo#生成查找表，方法来自参考文献1第四章第2节for i,v in enumerate(lut):print iif i < minBinNo:lut[i] = 0elif i > maxBinNo:lut[i] = 255else:lut[i] = int(255.0*(i-minBinNo)/(maxBinNo-minBinNo)+0.5)

查询表创建完成后，就直接调用相应的OpenCV函数即可，这里调用的是cv2.LUT函数：#计算result = cv2.LUT(image, lut)

cv2.LUT函数只有两个参数，分别为输入图像和查找表，其返回处理的结果，完整代码如下：

#coding=utf-8import cv2import numpy as npimage = cv2.imread("D:/test/unequ.jpg", 0)lut = np.zeros(256, dtype = image.dtype )#创建空的查找表hist= cv2.calcHist([image], #计算图像的直方图 [0], #使用的通道 None, #没有使用mask [256], #it is a 1D histogram [0.0,255.0])minBinNo, maxBinNo = 0, 255#计算从左起第一个不为0的直方图柱的位置for binNo, binValue in enumerate(hist): if binValue != 0:minBinNo = binNobreak#计算从右起第一个不为0的直方图柱的位置for binNo, binValue in enumerate(reversed(hist)): if binValue != 0:maxBinNo = 255-binNobreakprint minBinNo, maxBinNo#生成查找表，方法来自参考文献1第四章第2节for i,v in enumerate(lut):print iif i < minBinNo:lut[i] = 0elif i > maxBinNo:lut[i] = 255else:lut[i] = int(255.0*(i-minBinNo)/(maxBinNo-minBinNo)+0.5)#计算result = cv2.LUT(image, lut)cv2.imshow("Result", result)cv2.imwrite("LutImage.jpg", result)cv2.waitKey(0)cv2.destroyAllWindows()

直方图结果如下，可以看到原来占的区域很小的直方图尖峰被移动了：

处理结果为：

关于直方图的绘制，请参考 这篇文章 。

直方图均衡化

介绍

有时图像的视觉上的缺陷并不在强度值集中在很窄的范围内。而是某些强度值的使用频率很大。比如第一幅图中，灰度图中间值的占了很大的比例。

在完美均衡的直方图中，每个柱的值都应该相等。即 50% 的像素值应该小于 128 ， 25% 的像素值应该小于 64 。总结出的经验可定义为：在标准的直方图中 p% 的像素拥有的强度值一定小于或等于 255×p% 。将该规律用于均衡直方图中：强度i 的灰度值应该在对应的像素强度值低于 i 的百分比的强度中。因此，所需的查询表可以由下面的式子建立：

lut[i] = int(255.0 *p[i]) #p[i]是是强度值小于或等于i的像素的数目。

p[i]即直方图累积值，这是包含小于给点强度值的像素的直方图，以代替包含指定强度值像素的数目。比如第一幅图像的累计直方图如下图中的蓝线：

而完美均衡的直方图，其累积直方图应为一条斜线，如上图中均衡化之后的红线。

更专业一点 ，这种累积直方图应称为累积分布（cumulative distribition）。在NumPy中有一个专门的函数来计算。这在NumPy实现直方图均衡化一节中介绍。

通过上面的介绍，应该可以明白，直方图均衡化就是对图像使用一种特殊的查询表。在第三个例子中可以看到使用查询表来获得直方图均衡化的效果。 通常来说，直方图均衡化大大增加了图像的表象。但根据图像可视内容的不同，不同图像的直方图均衡化产生的效果不尽相同。

直方图均衡化之OpenCV函数实现

用OpenCV实现直方图均衡化很简单，只需调用一个函数即可：

img = cv2.imread('图像路径',0)equ = cv2.equalizeHist(img)cv2.imshow('equ',equ)

这样图像就均衡化了。可以通过 直方图的计算与显示 这篇文章中介绍的方法将结果绘制出来。

直方图均衡化之NumPy函数实现

通过前面的介绍，可以明白直方图均衡化就是用一种特殊的查找表来实现的。所以这里用NumPy函数，以查找表的方式手动实现图像直方图的均衡化：

#coding=utf-8import cv2import numpy as npimage = cv2.imread("D:/test/unequ.jpg", 0)lut = np.zeros(256, dtype = image.dtype )#创建空的查找表hist,bins = np.histogram(image.flatten(),256,[0,256]) cdf = hist.cumsum() #计算累积直方图cdf_m = np.ma.masked_equal(cdf,0) #除去直方图中的0值cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())#等同于前面介绍的lut[i] = int(255.0 *p[i])公式cdf = np.ma.filled(cdf_m,0).astype('uint8') #将掩模处理掉的元素补为0#计算result2 = cdf[image]result = cv2.LUT(image, cdf)cv2.imshow("OpenCVLUT", result)cv2.imshow("NumPyLUT", result2)cv2.waitKey(0)cv2.destroyAllWindows()

最终结果

验证

比较查找表和OpenCV直方图均衡化生成的直方图：

可以看出，总体上来看是吻合的，但OpenCV中函数的实现 可能 还有一些细微的差别（有空去翻下源码，不过今天就先到这里了）。

参考资料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

如果觉得本文写的还可以的话，请轻点“顶”，您的支持是我写下去的动力之一。未完待续。。。如有错误请指正，本人会虚心接受并改正！谢谢！欢迎加入我爱机器学习QQ14群：336582044

微信扫一扫，关注我爱机器学习公众号