直方图均衡化：一步一步的指南（CV-06）

动机

直方图是用条形图进行频率分布可视化的过程。在计算机视觉中，图像直方图是用条形图表示强度值频率的过程。通过图像直方图均衡化，我们可以轻松调整图像强度频率的分布。通常，这个过程帮助我们增加图像的对比度和亮度。这个过程简单易行。本文将讨论直方图均衡化的完整过程，并附有编程示例。

目录

1. 图像直方图

2. 直方图均衡化的完整过程

3. 逐步实施

图像直方图

图像直方图是用条形图表示图像强度值频率的表示。在图-1中，我展示了一张带有其强度值的样本图像在二维空间中的表示。

数值范围从0到7。让我们计算这些值的频率。

图像直方图是频率对强度值的简单表示，用条形图表示，如图-3所示。

直方图均衡化的完整过程

直方图均衡化是通过一些函数均匀分布图像强度值的频率的过程。主要的函数是概率函数（Probability Density Function，PDF）和累积分布函数（Cumulative Distribution Function，CDF）。

• PDF是通过强度值的频率除以总频率计算的。

• CDF保存小于或等于特定值的概率分布的概率。例如，强度值0的PDF → 0.12，1的PDF → 0.24，2的PDF → 0.12，等等。因此，1的CDF为0.12+0.24=0.36，2的CDF为0.36+0.12=0.48，以此类推。整个结果编制在图-4中。

最后，我们需要用整数乘以CDF。

选择数值的过程—

图像的最大强度值是7，如图-1所示。我们必须选择一个满足以下公式的整数。

在这里，x是表示最大强度值的比特数的最小值。对于我们的情况，最大值是7，（2³-1 = 7）。如果我们选择x的值为2，就不能表示最大强度值。因此，在我们的情况下，最优的乘法值是7。

最后，我们将乘法结果四舍五入，得到均衡直方图值。将强度值替换为均衡直方图值以获得最终输出。整个过程如图-5所示。

为了应用直方图均衡化，我们需要用均衡的直方图值替换初始强度值。

新图像将如下所示—

均衡直方图强度值的频率与先前的频率不同，如图-6所示。

图-7展示了图像强度频率的比较。

如果我们观察均衡直方图频率与初始频率的比较，我们会发现均衡直方图的强度值比初始值高，如图-7所示。

现在是时候用Python进行实际操作了……

逐步实施

为了实施直方图均衡化，我们使用OpenCV库。

• 让我们导入必要的库并读取灰度图像—

import cv2
import numpy as np
import matplotlib.pyplot as plt
beach=cv2.imread('mountain.jpg',cv2.IMREAD_GRAYSCALE)
plt.imshow(beach, cmap='gray')

<matplotlib.image.AxesImage at 0x7faba740ee20>

• 计算图像的频率并绘制直方图—

hist_values = cv2.calcHist([beach],channels=[0],mask=None,histSize=[256],ranges=[0,256])
plt.plot(hist_values)
plt.xlabel('Intensity Value')
plt.ylabel('Frequency')
plt.show()

由于大多数图像部分较暗，低强度值（~0）的频率大于高强度值。

• OpenCV函数cv2.equalizeHist()有助于实现直方图均衡化—

eql = cv2.equalizeHist(beach)
plt.imshow(eql,cmap='gray')

<matplotlib.image.AxesImage at 0x7faba72b3610>

如果我们仔细观察输出图像，我们可能会注意到图像的亮度比原始图像更高。

• 让我们设置均衡的直方图图—

eql_hist = cv2.calcHist([eql],channels=[0],mask=None,histSize=[256],ranges=[0,256])
plt.plot(eql_hist)
plt.xlabel('Intensity Value')
plt.ylabel('Frequency')
plt.show()

强度值的频率比原始图像更均匀分布。

处理彩色图像

RGB/BGR图像有3个通道—红色、绿色和蓝色。为了在图像上应用直方图均衡化，我们需要将RGB/BGR图像转换为HSV（色调、饱和度和值）图像。最后，我们将直方图均衡化应用于HSV图像的值参数，并将其转换为RGB图像进行可视化。

clr_mountain=cv2.imread('mountain.jpg')
# OpenCV reads the image in a BGR format. so we convert it to RGB for visualizatoin 
clr_RGB=cv2.cvtColor(clr_mountain,cv2.COLOR_BGR2RGB) 
#we need to convert the image to HSV format for applying histogram equalization
clr_hsv=cv2.cvtColor(clr_mountain,cv2.COLOR_BGR2HSV)

plt.imshow(clr_RGB)

<matplotlib.image.AxesImage at 0x7faba73d7640>

• 应用直方图均衡化并将其转换为RGB图像，以便使用matplotlib进行可视化。

clr_hsv[:,:,2]=cv2.equalizeHist(clr_hsv[:,:,2])
clr=cv2.cvtColor(clr_hsv,cv2.COLOR_HSV2RGB)
plt.imshow(clr)

<matplotlib.image.AxesImage at 0x7fab9e9be250>

很明显，图像的亮度和对比度显著增加。

如果你愿意，你可以绘制先前显示的直方图和均衡的直方图。

结论

我们生活在一个生成式人工智能的世界。这些基本的计算机视觉技术看起来非常基础和过时，但它们是构建强大模型或创新的基础。因此，我始终强调知识的基础。

☆ END ☆

如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 woshicver」，每日朋友圈更新一篇高质量博文。

↓扫描二维码添加小编↓