python图像增强算法_图像增强算法小结（直方图、Gamma变换、CLAHE 和 Retinex）

这几天一直在做一个图像处理的任务，简单来说就是对一个过曝的图片进行处理，使得被亮光“遮盖”的一些细节信息显现出来。

注：我处理的是医学图像，所以某些细节问题可能不太一样(比如对RGB不考虑，全部转为灰度图)

环境：win10、python 3.6.6、Jupyter Notebook、opencv 3.4.2

相关代码已上传至个人github

一、直方图均衡化(Histogram Equalization)

一个很经典的算法就是利用直方图均衡化的方法。这个内容我在之前的一篇文章中有所提及。首先，直方图就是一种对图的像素强度分布的图形表达方式，它能直观地向我们展示一张图片的像素分布情况。

举一个例子：

经常地，在一张直方图中，可能会存在一个或多个尖峰，而尖峰的高度差非常大的情况。均衡化就是拉伸像素强度的分布范围，增强图像局部的对比度。

换句话说就是 将像素值重新分配。我们需要建立一个映射，将原图的像素分布映射到另一个分布上。而要实现均衡化，映射函数就应该是一个累积分布函数(CDF)

实际上我们不需要知道这个分布函数的内容到底是什么，因为opencv已经给我们封装处理好了。我直接说我的实验结果。

opencv和numpy各有各的实现方式，不过效果差不多。

1.opencv 实现

equ = cv2.equalizeHist(tmp)

复制代码

调用这个函数就行了，全都封装好了。

2.numpy 实现

这里我展示一下手动制作直方图的代码

img = cv2.imread("test.jpg",0)

cv2.normalize(img,img, 0, 255, cv2.NORM_MINMAX)

#归一化

lut = np.zeros(256, dtype = img.dtype )

#创建空的查找表

hist,bins = np.histogram(img.flatten(),256,[0,256])

#计算原图的直方图

#计算累积直方图

cdf = hist.cumsum()

cdf_m = np.ma.masked_equa