OpenCV-Python 直方圖-2:直方圖均衡|二十七

2020-12-13 人工智慧遇見磐創

目標

在本節中,

我們將學習直方圖均衡化的概念,並利用它來提高圖像的對比度。理論

考慮這樣一個圖像，它的像素值僅局限於某個特定的值範圍。例如，較亮的圖像將把所有像素限制在高值上。但是一幅好的圖像會有來自圖像所有區域的像素。因此，您需要將這個直方圖拉伸到兩端(如下圖所示，來自wikipedia)，這就是直方圖均衡化的作用(簡單來說)。這通常會提高圖像的對比度。

我建議您閱讀直方圖均衡化上的Wikipedia頁面，以獲取有關它的更多詳細信息。它很好地解釋了示例，使您在閱讀完之後幾乎可以理解所有內容。相反，在這裡我們將看到其Numpy實現。之後，我們將看到OpenCV功能。

import numpy as npimport cv2 as cvfrom matplotlib import pyplot as pltimg = cv.imread('wiki.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()

你可以看到直方圖位於較亮的區域。我們需要全頻譜。為此，我們需要一個轉換函數，將亮區域的輸入像素映射到整個區域的輸出像素。這就是直方圖均衡化的作用。

現在我們找到最小的直方圖值(不包括0)，並應用wiki頁面中給出的直方圖均衡化方程。但我在這裡用過，來自Numpy的掩碼數組概念數組。對於掩碼數組，所有操作都在非掩碼元素上執行。您可以從Numpy文檔中了解更多關於掩碼數組的信息。

cdf_m = np.ma.masked_equal(cdf,0)cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())cdf = np.ma.filled(cdf_m,0).astype('uint8')現在我們有了查找表，該表為我們提供了有關每個輸入像素值的輸出像素值是什麼的信息。因此，我們僅應用變換。

img2 = cdf[img] 現在，我們像以前一樣計算其直方圖和cdf（您這樣做），結果如下所示：

另一個重要的特徵是，即使圖像是一個較暗的圖像(而不是我們使用的一個較亮的圖像)，經過均衡後，我們將得到幾乎相同的圖像。因此，這是作為一個「參考工具」，使所有的圖像具有相同的照明條件。這在很多情況下都很有用。例如，在人臉識別中，在對人臉數據進行訓練之前，對人臉圖像進行直方圖均衡化處理，使其具有相同的光照條件。

OpenCV中的直方圖均衡

OpenCV具有執行此操作的功能cv.equalizeHist（）。它的輸入只是灰度圖像，輸出是我們的直方圖均衡圖像。 下面是一個簡單的代碼片段，顯示了它與我們使用的同一圖像的用法：

img = cv.imread('wiki.jpg',0)equ = cv.equalizeHist(img)res = np.hstack((img,equ)) #stacking images side-by-sidecv.imwrite('res.png',res)

因此，現在您可以在不同的光照條件下拍攝不同的圖像，對其進行均衡並檢查結果。

當圖像的直方圖限制在特定區域時，直方圖均衡化效果很好。在直方圖覆蓋較大區域（即同時存在亮像素和暗像素）的強度變化較大的地方，效果不好。請檢查其他資源中的SOF連結。

CLAHE（對比度受限的自適應直方圖均衡）

我們剛剛看到的第一個直方圖均衡化考慮了圖像的整體對比度。在許多情況下，這不是一個好主意。例如，下圖顯示了輸入圖像及其在全局直方圖均衡後的結果。

直方圖均衡後，背景對比度確實得到了改善。但是在兩個圖像中比較雕像的臉。由於亮度過高，我們在那裡丟失了大多數信息。這是因為它的直方圖不像我們在前面的案例中所看到的那樣局限於特定區域（嘗試繪製輸入圖像的直方圖，您將獲得更多的直覺）。

因此，為了解決這個問題，使用了自適應直方圖均衡。在這種情況下，圖像被分成稱為「tiles」的小塊（在OpenCV中，tileSize默認為8x8）。然後，像往常一樣對這些塊中的每一個進行直方圖均衡。因此，在較小的區域中，直方圖將限制在一個較小的區域中（除非存在噪聲）。如果有噪音，它將被放大。為了避免這種情況，應用了對比度限制。如果任何直方圖bin超出指定的對比度限制（在OpenCV中默認為40），則在應用直方圖均衡之前，將這些像素裁剪並均勻地分布到其他bin。均衡後，要消除圖塊邊界中的偽影，請應用雙線性插值。

下面的代碼片段顯示了如何在OpenCV中應用CLAHE：

import numpy as npimport cv2 as cvimg = cv.imread('tsukuba_l.png',0)# create a CLAHE object (Arguments are optional).clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))cl1 = clahe.apply(img)cv.imwrite('clahe_2.jpg',cl1)查看下面的結果，並將其與上面的結果進行比較，尤其是雕像區域：

附加資源

Wikipedia page on Histogram Equalization：http://en.wikipedia.org/wiki/Histogram_equalizationMasked Arrays in Numpy：http://docs.scipy.org/doc/numpy/reference/maskedarray.html)有關對比度調整的問題：

如何在C中的OpenCV中調整對比度？ http://stackoverflow.com/questions/10549245/how-can-i-adjust-contrast-in-opencv-in-c如何使用opencv均衡圖像的對比度和亮度？http://stackoverflow.com/questions/10561222/how-do-i-equalize-contrast-brightness-of-images-using-opencv)

相關焦點

  • OpenCV系列之直方圖-2:直方圖均衡 | 二十七
    因此，您需要將這個直方圖拉伸到兩端(如下圖所示，來自wikipedia)，這就是直方圖均衡化的作用(簡單來說)。這通常會提高圖像的對比度。我建議您閱讀直方圖均衡化上的Wikipedia頁面，以獲取有關它的更多詳細信息。它很好地解釋了示例，使您在閱讀完之後幾乎可以理解所有內容。相反，在這裡我們將看到其Numpy實現。之後，我們將看到OpenCV功能。
  • OpenCV基礎 | 9.直方圖及直方圖均衡化
    python+opencv3.3視頻教學 基礎入門outline1.圖像直方圖（histogram）一個灰度級在範圍[0，L-1]的數字圖像的 直 方圖是一個離散函數nk是圖像中灰度級為rk的像素個數 rk 是第k個灰度級，k = 0,1,2,…,L-1def plot_demo(image):
  • OpenCV使用python實現限制對比度的自適應直方圖均衡化
    ，讓後對每個塊分別進行直方圖均衡化處理。為了避免噪聲對圖像均衡化的影響，這裡使用了限制對比度的自適應直方圖均衡化來處理圖像的直方圖均衡化。限制對比度的直方圖均衡化的處理方式是先為直方圖設置一個閾值，該閾值為限制對比度值，超過該閾值的值會被裁剪，然後裁剪的部分會均勻的分布到其他值上，這樣就重構了直方圖，接下來就可以用重構後的直方圖來進行接下來的均衡化操作了。
  • OpenCV 之 直方圖處理
    1.3.1  定義   直方圖均衡化，是將給定圖像的直方圖改造成均勻分布的直方圖，從而擴大像素灰度值的動態範圍，達到增強圖像對比度的效果。1.3.2  實例  一幅灰度值範圍是[0, 7]，64行64列的數字圖像，其灰度分布如下表所示，求直方圖均衡化之後的灰度分布。
  • OpenCV-Python 直方圖-4:直方圖反投影|二十九
    直方圖反投影與camshift算法等配合使用。我們該怎麼做呢？我們創建一個圖像的直方圖，其中包含我們感興趣的對象（在我們的示例中是背景，離開播放器等）。對象應儘可能填充圖像以獲得更好的效果。而且顏色直方圖比灰度直方圖更可取，因為對象的顏色對比灰度強度是定義對象的好方法。
  • OpenCV中圖像直方圖與應用
    最常見的圖像直方圖一般都是圖像像素值統計直方圖。通常我們把每個直方圖的單元叫做BIN，對RGB圖像來說像素的取值範圍為0~255之間，BIN的個數是對取值範圍的間隔區分，可以為32、64、128、256。OpenCV中提供了幾個非常有用的直方圖操作函數，實現了直方圖統計計算、到直方圖均衡化、直方圖反向投影等功能。
  • OpenCV-Python 直方圖-1:查找、繪製和分析|二十六
    它是我們計算直方圖的通道的索引。例如，如果輸入為灰度圖像，則其值為[0]。對於彩色圖像，您可以傳遞[0]，[1]或[2]分別計算藍色，綠色或紅色通道的直方圖。mask：圖像掩碼。為了找到完整圖像的直方圖，將其指定為「無」。但是，如果要查找圖像特定區域的直方圖，則必須為此創建一個掩碼圖像並將其作為掩碼。（我將在後面顯示一個示例。）histSize：這表示我們的BIN計數。需要放在方括號中。
  • 圖像增強 | 直方圖均衡化
    通過這種方法，亮度可以更好地在直方圖上分布。這樣就可以用於增強局部的對比度而不影響整體的對比度，直方圖均衡化通過有效地擴展常用的亮度來實現這種功能。為了更好的理解直方圖均衡化算法，我們先來了解一下灰度直方圖的相關概念。灰度直方圖：灰度值的函數，描述的是圖像中具有該灰度值的像素的個數/頻數。
  • 【圖像算法&MATLAB】直方圖均衡(乾貨代碼)
    直方圖均衡示例：2代碼2.1 自己寫一個還是那句話， 【要想搞明白真正原理，尤其你是做圖像算法的，還是得自己動手寫】代碼如下：%直方圖均衡Histogram equalization 原始碼Iin = imread('tire.tif');[numRows,numCols]=size(Iin);numBins=2^8;%直方圖統計,概率分布函數
  • Python中使用matplotlib繪製灰度直方圖
    灰度直方圖在數據統計分析、圖像處理中有著比較廣泛的應用，下面就介紹一下如何在Python中使用matplotlib來繪製灰度直方圖。
  • 用Python為直方圖繪製擬合曲線的兩種方法
    作者：博觀厚積簡書專欄：https://www.jianshu.com/u/2f376f777ef1
  • OpenCV-Python Meanshift和Camshift|四十七
    整個過程在下面的靜態圖像上演示：因此，我們通常會傳遞直方圖反投影圖像和初始目標位置。當對象移動時，顯然該移動會反映在直方圖反投影圖像中。結果，meanshift算法將窗口移動到最大密度的新位置。OpenCV中的Meanshift要在OpenCV中使用meanshift，首先我們需要設置目標，找到其直方圖，以便我們可以將目標反投影到每幀上以計算均值偏移。我們還需要提供窗口的初始位置。對於直方圖，此處僅考慮色相。另外，為避免由於光線不足而產生錯誤的值，可以使用cv.inRange()函數丟棄光線不足的值。
  • 基於OpenCv 和 Python 的手指識別及追蹤
    翻譯 | 餘杭 Lamaric 校對 | 吳曉曼 審核 | 餘杭詳細代碼參考：https://github.com/amarlearning/opencv手指追蹤是許多計算機視覺應用的重要特徵。在該應用中，使用基於直方圖的方法將手與背景幀分離。 使用閾值處理和濾波技術來進行背景消除以獲得最佳結果。
  • Python學習第89課-數據可視化之直方圖繪製
    【每天幾分鐘，從零入門python編程的世界！】假設你想投資某一個城市的房地產，你肯定需要對這個城市的人口分布、增長潛力做一個調查，這時我們就需要做一個直方圖（histogram plot）。實例：假設我們有一份C城市的人口年齡的數據，我們為方便起見，在這裡只列出很少的一部分數據，用一個列表City_C_Age表示這個城市的人口年齡數據：City_C_Age=[2,3,1,7,4,5,3,1,7,6,9,8,13,16,12,17,15,14,18,,20,23,28,25,23,27,25,29,26,24,25,30,34,37,36,38,32,35,37,36,41,42,47,47,48,43,46,44,53,54,58,52,51,55,56,69,60,63,67,64,72,74,78,75,89,85,83,90,93
  • 圖像增強 | CLAHE 限制對比度自適應直方圖均衡化
    CLAHE起到的作用簡單來說就是增強圖像的對比度的同時可以抑制噪聲CLAHE的英文是Contrast Limited Adaptive Histogram Equalization 限制對比度的自適應直方圖均衡。
  • 深度學習必備---用Keras和直方圖均衡化---數據增強
    ，我借鑑使用keras深度學習庫為增強圖像提供的一些最常用的開箱即用方法，然後演示如何修改keras.preprocessing image.py文件以啟用直方圖均衡化方法。3.直方圖均衡技術直方圖均衡化是指對比度較低的圖像，並增加圖像相對高低的對比度，以便在陰影中產生細微的差異，並創建較高的對比度圖像。
  • 用Keras和「直方圖均衡」為深度學習實現「圖像擴充」
    之後我們將討論如何轉換keras預處理圖像文件，以啟用直方圖均衡法。我們將使用Keras附帶的cifar10數據集，但是為了使任務小到能夠順利在CPU上執行，我們將只會使用其中的貓和狗的圖像。首先，我們需要加載cifar10數據集並格式化其中的圖像，為卷積神經網絡做好準備。我們還要檢查一下部分圖像，確保數據已經完成了正確的加載。
  • 直方圖是什麼,及直方圖在攝影中的應用
    作為一張圖片的「資料庫」，直方圖裡基本包含了圖片的所有數據，我們可以通過直方圖來了解照片的真實信息。學會直方圖，不論是在前期拍攝，還是在照片的後期修飾，都能起到事半功倍的效果。今天，我們就從以下幾個部分來深入了解直方圖。
  • OpenCV中直方圖反向投影算法詳解與實現
    OpenCV中直方圖反向投影算法詳解與實現一：直方圖交叉OpenCV中直方圖反向投影算法實現來自一篇論文《Indexing Via Color
  • 5種方法教你用Python玩轉histogram直方圖
    然後運用我們上面封裝的函數，就得到了純Python版本的直方圖展示。總結：純python實現頻數表（非標準直方圖），可直接使用collection.Counter方法實現。以上是使用純Python來完成的簡單直方圖，但是從數學意義上來看，直方圖是分箱到頻數的一種映射，它可以用來估計變量的概率密度函數的。而上面純Python實現版本只是單純的頻數統計，不是真正意義上的直方圖。因此，我們從上面實現的簡單直方圖繼續往下進行升級。