2019-8-13 opencv图像处理10-直方图2(Histogram Equalization )均衡化

官网https://docs.opencv.org/3.4.1/d5/daf/tutorial_py_histogram_equalization.html

我们来想象一下，一副图像的像素值都集中在某些特定范围之内。例如，明亮的图像，像素值都会很高。

但是一副好图像，像素值应该发布在图像所有区域。所以你需要把直方图横向拉升到2端（如下图），这就是直方图均衡化。通常情况，这种操作会增加图像的对比度。

直方图均衡化详见 en.wikipedia.org/wiki/Histogram_equalization

现在我们先来看看如何用numpy实现直方图均衡化。

例1，观察以下图像的直方图

代码如下

import cv2 
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('1.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()

直方图如上，对比原图，可以发现像素都集中在原图明亮区域（灰度值高）。
如果我们要把直方图分散分布（均衡化），那么就需要一个转换函数，把输入的明亮区域像素映射到输出全区域像素。
这就是直方图均衡化。

现在我们找到直方图最小值（0除外），并把它用于wiki中的直方图均衡化公式。

1.numpy掩膜数组实现直方图均衡化

这里我们使用了numpy的掩膜数组。对于掩膜数组，所有操作只有对非掩膜（non-masked）元素有效。

# 构建Numpy 掩模数组。cdf 为原数组，当数组元素为0 时掩盖（计算时被忽略）。
cdf_m = np.ma.masked_equal(cdf,0)
cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
# 对被掩盖的元素赋值为0
cdf = np.ma.filled(cdf_m,0).astype('uint8')

然后我们就获得了一个表，这个表中给我们提供了每一个输入像素值对应的输出像素值。
最后我们把它应用到图像上。

img2 = cdf[img]

例1，利用numpy掩膜数组实现直方图均衡化

import cv2 
import numpy as np
from matplotlib import pyplot as plt


img = cv2.imread('1.jpg',0)

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

# 构建Numpy 掩模数组。cdf 为原数组，当数组元素为0 时掩盖（计算时被忽略）。
cdf_m = np.ma.masked_equal(cdf,0)
cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
# 对被掩盖的元素赋值为0
cdf = np.ma.filled(cdf_m,0).astype('uint8')

img2 = cdf[img]

cv2.imshow('result', img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

显示结果如上，对比度明显增加。

例2，显示numpy掩膜数组均衡化后直方图

import cv2 
import numpy as np
from matplotlib import pyplot as plt


img = cv2.imread('1.jpg',0)

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

# 构建Numpy 掩模数组。cdf 为原数组，当数组元素为0 时掩盖（计算时被忽略）。
cdf_m = np.ma.masked_equal(cdf,0)
cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
# 对被掩盖的元素赋值为0
cdf = np.ma.filled(cdf_m,0).astype('uint8')

img2 = cdf[img]

hist,bins = np.histogram(img2.flatten(),256,[0,256])
cdf = hist.cumsum()

cdf_normalized = cdf * float(hist.max()) / cdf.max()
plt.plot(cdf_normalized, color = 'b')
plt.hist(img2.flatten(),256,[0,256], color = 'r')
plt.xlim([0,256])
plt.legend(('cdf','histogram'), loc = 'upper left')
plt.show()

直方图（红色）和累积分布图（蓝色）如上。

关于直方图均衡化另外一个重要特点是，如果输入的图像是一个比较暗的图像（不像上面例子中使用的是比较亮的图像），在均衡化后也会得到和上面一样的结果。
所以直方图均衡化被作为一个参考工具，用于使所有图像获得相同的亮度条件。这在很多案例中都有用。

例如，人脸识别场景，在对人脸数据图像进行训练之前，先进行直方图均衡化，使所有图像都有相同的亮度条件。

2.opencv中的直方图均衡化

opencv提供cv.equalizeHist()函数实现均衡化。输入是灰度图，输入的是均衡化后的直方图。

例，opencv中实现直方图均衡化

import cv2 
import numpy as np
from matplotlib import pyplot as plt


img = cv2.imread('1.jpg',0)

equ = cv2.equalizeHist(img)
res = np.hstack((img,equ)) #stacking images side-by-side
cv2.imwrite('res.png',res)

同样使用的是numpy掩膜数组均衡化例子中图像，显示对比结果如上。

当图像中的直方图数据集中在某个区域时候，均衡化就非常有用了。但是如果灰度变化非常强烈，同时分布范围非常大时候，均衡化的效果并不好。例如：图像中既有亮的像素点又有暗的像素点。

3.CLAHE (Contrast Limited Adaptive Histogram Equalization) -对比度有限自适应直方图均衡化

上面例子中的均衡化，可以发现都是进行全图像对比度变化。但是很多情况下，这样并不好。例如，观察下图，特别是进行全图均衡化后的效果。

可以发现，均衡化后，背景的对比度有了提高。但是对比上下2幅图雕像的脸部，由于过亮丢失了很多信息。这是因为直方图均衡化时候并没有考虑特别的区域。

为了解决这个问题，需要使用自适应直方图均衡化。此时，图像会被分成许多个小块，每个小块被称为“tiles”（opencv中默认tiles大小是8*8）。然后每个小块分别进行均衡化。所以每一个小块中，直方图被限制在小区域中（除非有噪声）。如果有噪声，它会被放大，要避免这个问题，就要使用对比度限制。如果有任何一个直方图的bin值超过对比度限制值（opencv中默认40），在直方图均衡化之前，把那些像素均匀分散到其他bin中。均衡化后，为了消除tiles之间的边界，使用双线性差值。

例，对比度限制自适应直方图均衡化

import cv2 
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('a.jpg',0)

# create a CLAHE object (Arguments are optional).
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)
cv2.imwrite('clahe_2.jpg',cl1)

结果如上，雕塑的脸部是不是好很多了？