文章来自:微信公众号【机器学习炼丹术】。
文章目录:
- 1 基本概述
- 2 竞赛中的CLAHE实现
- 3 openCV绘制直方图
- 4 对比度Contrast
- 5 Contrast Stretching
- 6 Histogram Equalization
- 7 CLAHE
- 7.1 Contrast Limited HE
- 7.2 Adaptive HE
- 8 结果对比与openCV实现
1 基本概述
CLAHE是一个比较有意思的图像增强的方法,主要用在医学图像上面。之前的比赛中,用到了这个,但是对其算法原理不甚了解。在这里做一个复盘。
CLAHE起到的作用简单来说就是增强图像的对比度的同时可以抑制噪声
CLAHE的英文是Contrast Limited Adaptive Histogram Equalization 限制对比度的自适应直方图均衡。在学习这个之前,我们要先学习一下下面的前置算法:
- 【Contrast Stretching】:对比度拉伸;
- 【HE】:直方图均衡;
- 【CLHE】:对比度限制的HE
- 【AHE】:自适应直方图均衡化
2 竞赛中的CLAHE实现
在比赛中,我们往往使用albumentations库函数进行图像的预处理,因为这个预处理库的运行速度非常的快,而且封装了大量的图像增强的方法。图像任务的话这个库函数非常滴奈斯。
本文中会介绍一下albumentations库函数实现CLAHE的代码,然后再用openCV实现。
import albumentations
RESIZE_SIZE = 1024 # or 768
train_transform = albumentations.Compose([
albumentations.Resize(RESIZE_SIZE, RESIZE_SIZE),
albumentations.OneOf([
albumentations.RandomGamma(gamma_limit=(60, 120), p=0.9),
albumentations.RandomBrightnessContrast(brightness_limit=0.2, contrast_limit=0.2, p=0.9),
albumentations.CLAHE(clip_limit=4.0, tile_grid_size=(4, 4), p=0.9),
]),
albumentations.HorizontalFlip(p=0.5),
albumentations.ShiftScaleRotate(shift_limit=0.2, scale_limit=0.2, rotate_limit=20,
interpolation=cv2.INTER_LINEAR, border_mode=cv2.BORDER_CONSTANT, p=1),
albumentations.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225), max_pixel_value=255.0, p=1.0)
])
这是一个图像增强的pipline,其中的流程是:
- Resize就是拉伸图片修改尺寸
- RandomGamma就是使用gamma变换
- RandomBrightnessContrast就是随机选择图片的对比度和亮度
- CLAHE是一种对比度受限情况下的自适应直方图均衡化算法
- HorizontalFlip水平翻转
- ShiftScaleRotate这个就是平移缩放旋转三合一,给力!
- Normalize这个就是图像归一化了。
本文主要讲解的就是CLAHE这个直方图均衡化的算法。
3 openCV绘制直方图
使用openCV的