python opencv 直方图均衡化_python+opencv 直方图均衡化原理

参看博客：

1.http://www.cnblogs.com/tianyalu/p/5687782.html

2.https://blog.csdn.net/zmdsjtu/article/details/77993135

3.https://blog.csdn.net/u010839382/article/details/49584181 (详细解释了CLAHE的原理，很有用)

HE： histogram equalization 直方图均衡化

AHE: adapative histogram equalization 自适应直方图均衡化, 加了分块而已。

CLAHE: contrast-limited adapative histogram equalization 对比度受限的自适应直方图均衡化, 可用性最好。

直方图均衡化的作用是图像增强。

有两个问题比较难懂，一是为什么要选用累积分布函数，二是为什么使用累积分布函数处理后像素值会均匀分布。

第一个问题。均衡化过程中，必须要保证两个条件：

①像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；

②如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。

综合以上两个条件，累积分布函数是个好的选择，因为累积分布函数是单调增函数(控制大小关系)，并且值域是0到1(控制越界问题)，所以直方图均衡化中使用的是累积分布函数。

第二个问题。累积分布函数具有一些好的性质，那么如何运用累积分布函数使得直方图均衡化？比较概率分布函数和累积分布函数，前者的二维图像是参差不齐的，后者是单调递增的。直方图均衡化过程中，映射方法是

其中，n是图像中像素的总和，

是当前灰度级的像素个数，L是图像中可能的灰度级总数。

来看看通过上述公式怎样实现的拉伸。假设有如下图像：

得图像的统计信息如下图所示，并根据统计信息完成灰度值映射：

映射后的图像如下所示：

CLAHE原理：通过改变直方图中超过cliplimit值的个数，来达到平滑直方图的目的。

关键的是，如何把一个频数非常高的对应像素值的点，改成其他频数较少像素值的点？

附代码：

import cv2 as cv

import numpy as np

import matplotlib.pyplot as plt

def equalHist_demo(image):

'''全局直方图的图像增强'''

gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)#图像增强必须要转灰度图

dst=cv.equalizeHist(gray) #全局直方图，整体进行图像增强，可能会坏事，不够灵活

cv.imshow('equalizeHist',dst)

def clahe_demo(image):

'''局部直方图的图像增强'''

# gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) # 图像增强必须要转灰度图

gray=image

clahe= cv.createCLAHE(clipLimit=2.0,tileGridSize=(8,8)) #定义CLAHE

dst=clahe.apply(gray)

cv.imshow('CLAHE', dst)

src=cv.imread('D:/pycharm/pycharmproject/test.jpg')

src=cv.cvtColor(src,cv.COLOR_BGR2GRAY)

cv.imshow('src',src)

# equalHist_demo(src)

clahe_demo(src)

cv.waitKey(0)

cv.destroyAllWindows()