目标

在本节中：

我们将学习直方图均衡化的概念并将其用于改进图像的对比度。

理论

考虑仅限于某些特定值的像素值的图像。例如，较亮的图像的所有像素都限制在较高的值。但一张好图像的像素来自图像的所有区域。因此，你需要将此直方图拉伸到两端（如下图所示，来自 Wikipedia），而这就是直方图均衡化所做的（用简单的话说）。这通常可以改善图像的对比度。

图片

我建议你阅读 Wikipedia 上有关直方图均衡化的页面，以了解更多有关它的细节。它有一个很好的解释，并有算例，所以你读完之后会理解几乎所有内容。相反，我们在这里将看到它的 Numpy 实现。之后，我们将看到 OpenCV 函数。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
 
img = cv.imread('wiki.jpg', cv.IMREAD_GRAYSCALE)
assert img is not None, "file could not be read, check with os.path.exists()"
 
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()

你可以看到直方图位于更亮的区域。我们需要全光谱。为此，我们需要一个转换函数，将更亮区域的输入像素映射到全区域的输出像素。这就是直方图均衡化所做的。

现在我们找到最小直方图值（不包括 0）并应用如维基页面中所示的直方图均衡化方程。但我在这里使用了 Numpy 的掩码数组概念数组。对于掩码数组，所有操作都对非掩码元素执行。你可以从 Numpy 文档中阅读有关掩码数组的更多信息。

cdf_m = np.ma.masked_equal(cdf,0)
cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
将 cdf_m 用 0 填充，并转换为 uint8 类型 cdf = np.ma.filled(cdf_m,0).astype('uint8')

现在我们得到了查找表，它提供了有关每个输入像素值的输出像素值的信息。因此，我们只需应用转换即可。

img2 = cdf[img]

现在，我们像以前一样计算其直方图和 cdf（您来执行此操作），结果如下所示

图片

另一个重要特征是，即使图像是一个较暗的图像（而不是我们使用的较亮的图像），在均衡化之后，我们也会获得与我们获得的几乎相同的图像。因此，它被用作“参考工具”，以使得所有图像具有相同的照明条件。这在许多情况下很有用。例如，在面部识别中，在训练面部数据之前，将面部图像进行直方图均衡，以使其全部处于相同的照明条件下。

OpenCV 中的直方图均衡化

OpenCV 有一个函数可用于执行此操作，cv.equalizeHist()。其输入只是灰度图像，输出是我们的直方图均衡化图像。

以下是显示其对用于同一张图像的简单代码段

img = cv.imread('wiki.jpg', cv.IMREAD_GRAYSCALE)
assert img is not None, "file could not be read, check with os.path.exists()"
equ = cv.equalizeHist(img)
res = np.hstack((img,equ)) #并排堆叠图像
cv.imwrite('res.png',res)

因此，现在您可以获取具有不同光照条件的不同图像，对其进行均衡化并检查结果。

当图像的直方图局限于特定区域时，直方图均衡化才有效。在直方图覆盖大区域（即存在明亮和暗像素）的大强度变化区域，它将无效。请查看附加资源中的 SOF 链接。

CLAHE（对比度受限自适应直方图均衡化）

我们刚看到的第一个直方图均衡化，考虑了图像的全局对比度。在很多情况下，这不是一个好主意。例如，下图显示了一张输入图像及其在进行全局直方图均衡化后的结果。

图片

确实，在进行直方图均衡化后，背景对比度得到了改善。但请比较两张图像中雕像的面部。由于过度亮度，我们在那里丢失了大部分信息。这是因为它在直方图中并未局限于特定区域，正如我们之前看到的那样。（尝试绘制输入图像的直方图，您将获得更多直观感受）。

为此，使用了自适应直方图均衡。图像会被分成称为“平铺”的小块（在 OpenCV 中，默认情况下平铺大小为 8x8）。然后对这些块分别执行常规直方图均衡处理。因此，在小区域中，直方图将限制在一个小区域（除非有噪点）。如果有噪点，噪点会被放大。为避免这种情况，请应用对比度限制。如果任何直方图柱状图块高于指定的对比度限制（在 OpenCV 中默认为 40），在应用直方图均衡处理之前，这些像素会被修剪并均匀分配到其他柱状图块中。均衡处理完成后，为消除平铺边框中的伪影，请应用双线性插值。

以下代码段展示了如何在 OpenCV 中应用 CLAHE

import numpy as np
import cv2 as cv
 
img = cv.imread('tsukuba_l.png', cv.IMREAD_GRAYSCALE)
assert img is not None, "file could not be read, check with os.path.exists()"
 
# 创建一个 CLAHE 对象（参数是可选的）。
clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)
 
cv.imwrite('clahe_2.jpg',cl1)

查看以下结果并将其与以上结果进行比较，特别是雕像区域

图片

其他资源

直方图均衡的 Wikipedia 页面
Numpy 中的掩蔽数组

还请查看这些关于对比度调节的 SOF 问题

目标

理论

OpenCV 中的直方图均衡化

CLAHE（对比度受限自适应直方图均衡化）

其他资源

练习