0%

图像处理-直方图均衡化

发表于 更新于 分类于 ，

图像直方图

直方图均衡化

https://zhuanlan.zhihu.com/p/44918476

假如图像的灰度分布不均匀，其灰度分布集中在较窄的范围内，使图像的细节不够清晰，对比度较低。直方图均衡化，对图像进行非线性拉伸，是一种灰度的变换过程，将当前的灰度分布通过一个变换函数，变换为范围更宽、灰度分布更均匀的图像。这样，原来直方图中间的峰值部分对比度得到增强，而两侧的谷底部分对比度降低，输出图像的直方图是一个较为平坦的直方图。

原理

img

image-20210412214531999

image-20210412214543352

计算步骤

  1. 计算原始图像的直方图
  2. 计算累计直方图 CDF
  3. 映射为 256 /（m x n ） x CDF
1
2
3
4
5
6
7
8
9
10
# calculate histogram
hists = histogram(img)

# caculate cdf
hists_cumsum = np.cumsum(hists)
const_a = level / (m * n)
hists_cdf = (const_a * hists_cumsum).astype("uint8")

# mapping
img_eq = hists_cdf[img]

直方图匹配

https://blog.csdn.net/qq_31347869/article/details/89514253

如果希望得到具有规定形状的直方图，就需要用到一种特殊的处理方法：直方图匹配 (直方图规定化)。原理很简单，有了参考图，可以计算它到规范化后的变换 ，同时也可以计算 低光图到 规范化后的变换。r -> s -> z s是中间规范化后的像素值 。最后求逆映射的时候不用显式的求，找最近的即可。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
import cv2
import numpy as np
import matplotlib.pyplot as plt
 
img = cv2.imread('C:\\Users\\admin\\Desktop\\original_img3\\testimg\\lena_300_500.jpg')
ref = cv2.imread('C:\\Users\\admin\\Desktop\\original_img3\\testimg\\messi_300_500.jpg')
 
out = np.zeros_like(img)
_, _, colorChannel = img.shape
for i in range(colorChannel):
    print(i)
    hist_img, _ = np.histogram(img[:, :, i], 256)   # get the histogram
    hist_ref, _ = np.histogram(ref[:, :, i], 256)
    cdf_img = np.cumsum(hist_img)   # get the accumulative histogram
    cdf_ref = np.cumsum(hist_ref)
 
    for j in range(256):
        tmp = abs(cdf_img[j] - cdf_ref)
        tmp = tmp.tolist()
        idx = tmp.index(min(tmp))   # 找近似 即为逆映射
        out[:, :, i][img[:, :, i] == j] = idx
 
cv2.imwrite('C:\\Users\\admin\\Desktop\\lena.jpg', out)
print('Done')

局部对比度增强

就是将全局直方图均衡的思想应用于邻域直方图处理中