一、函数介绍
1、cv2.equalizeHist(img)
参数:img表示输入的图片
作用:表示进行直方图均衡化
2、cv2.createCLAHA(clipLimit=8.0, titleGridSize=(8, 8))
参数:clipLimit颜色对比度的阈值
titleGridSize进行像素均衡化的网格大小,即在多少网格下进行直方图的均衡化操作
作用: 用于生成自适应均衡化图像
3、直方图均衡化:
一般可以用来提升图片的亮度, 在上面一节中,我们可以看出在150-200之间所占的频数特别的大,频数均衡化指的是让频数的分布看起来更加均匀一些
上图中的左边的图是原始数据, 右边的图是进行函数映射后的灰度值
首先对各个灰度值做频数统计,计算其概率,根据像素的灰度值计算出累积概率,最后将累积概率 * (255-0) 做为函数映射后的灰度值,
这样做的目的,可以使得灰度值之间的间隔更小,即一些频数较大的灰度值补充给了频数较小的灰度值,从而实现了灰度值的均衡化
2、案例:
"""
第一步:读入图片
第二步:使用cv2.equalizeHist(img)均衡化像素
第三步:使用plt.hist 画出均衡化的直方图
第四步:使用plt.imshow 画出均衡化后的图像
这种全局的均衡化也会存在一些问题,由于整体亮度的提升,也会使得局部图像的细节变得模糊,因为我们需要进行分块的局部均衡化操作
"""
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 第一步:读入图片
img = cv2.imread('cat.jpg', 0)
# 第二步: 使用cv2.equalizeHist实现像素点的均衡化
ret = cv2.equalizeHist(img)
# 第三步:使用plt.hist绘制像素直方图
plt.subplot(121)
plt.hist(img.ravel(), 256)
plt.subplot(122)
plt.hist(ret.ravel(), 256)
plt.show()
# 第四步:使用cv2.imshow()绘值均衡化的图像
cv2.imshow('ret', np.hstack((img, ret)))
cv2.waitKey(0)
"""
第一步:使用cv2.createCLAHE(clipLimit=2.0, titleGridSize=(8, 8)) 实例化均衡直方图函数
第二步:使用.apply进行均衡化操作
第三步:进行画图操作
可以看出自适应均衡化没有使得人物脸部的细节消失
"""
# 使用自适应直方图均衡化
# 第一步:实例化自适应直方图均衡化函数
clahe = cv2.createCLAHE(clipLimit=2.0,
tileGridSize=(8, 8))
# 第二步:进行自适应直方图均衡化
clahe = clahe.apply(img)
# 第三步:进行图像的展示
cv2.imshow('imgs', np.hstack((img, ret, clahe)))
cv2.waitKey(0)
cv2.destroyAllWindows()