目标

在本节中，

我们将学习直方图均衡化的概念，并将其用于提高图像对比度。

理论

考虑一个图像，其像素值仅限于某个特定值范围内。例如，较亮的图像将所有像素限制在较高的值。但是，良好的图像将具有来自图像所有区域的像素。因此，您需要将此直方图拉伸到两端（如下面的维基百科图像所示），这就是直方图均衡化所做的（简单来说）。这通常会提高图像的对比度。

图像

我建议您阅读维基百科关于直方图均衡化的页面，以了解更多详细信息。它有一个非常好的解释和实际例子，这样您在阅读后几乎可以理解所有内容。在这里，我们将看到它的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, "文件无法读取，请使用os.path.exists()检查"
 
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','直方图'), loc = 'upper left')
plt.show()

您可以看到直方图位于较亮的区域。我们需要全光谱。为此，我们需要一个变换函数，将较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。

现在我们找到最小的直方图值（不包括 0），并应用维基百科页面中给出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。对于掩码数组，所有操作都在非掩码元素上执行。您可以从 Numpy 关于掩码数组的文档中了解更多信息。

cdf_m = np.ma.masked_equal(cdf,0)
cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
cdf = np.ma.filled(cdf_m,0).astype('uint8')

现在我们有了查找表，它告诉我们每个输入像素值的输出像素值是什么。所以我们只需要应用变换。

img2 = cdf[img]

现在我们像以前一样计算它的直方图和 cdf（您可以自己做），结果如下所示

图像

另一个重要特征是，即使图像是较暗的图像（而不是我们使用的较亮图像），均衡后我们将得到与之前几乎相同的图像。因此，这被用作“参考工具”，使所有图像具有相同的照明条件。这在许多情况下非常有用。例如，在人脸识别中，在训练人脸数据之前，人脸图像会进行直方图均衡化，以使它们都具有相同的照明条件。

OpenCV中的直方图均衡化

OpenCV 有一个函数可以做到这一点，cv.equalizeHist()。它的输入只是一个灰度图像，输出是我们的直方图均衡化图像。

下面是一个简单的代码片段，显示了它对我们使用的相同图像的用法

img = cv.imread('wiki.jpg', cv.IMREAD_GRAYSCALE)
assert img is not None, "文件无法读取，请使用os.path.exists()检查"
equ = cv.equalizeHist(img)
res = np.hstack((img,equ)) # 将图像并排堆叠
cv.imwrite('res.png',res)

因此，现在您可以拍摄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。

当图像的直方图限制在特定区域时，直方图均衡化效果很好。在存在较大强度变化且直方图覆盖较大区域（即同时存在明亮和黑暗像素）的地方，它效果不佳。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。在许多情况下，这不是一个好主意。例如，下图显示了输入图像及其全局直方图均衡化后的结果。

图像

诚然，直方图均衡化后背景对比度有所提高。但是，比较两幅图像中雕像的脸部。由于过度明亮，我们丢失了大部分信息。这是因为它的直方图不像我们之前看到的例子那样局限于特定区域（尝试绘制输入图像的直方图，您会获得更多直觉）。

因此，为了解决这个问题，使用了自适应直方图均衡化。在此方法中，图像被分成称为“块”的小块（在 OpenCV 中，tileSize 默认值为 8x8）。然后，像往常一样对这些块中的每一个进行直方图均衡化。因此，在一个小区域内，直方图将限制在一个小区域内（除非存在噪声）。如果存在噪声，它将被放大。为了避免这种情况，应用了对比度限制。如果任何直方图 bin 高于指定的对比度限制（在 OpenCV 中默认为 40），则在应用直方图均衡化之前，这些像素将被剪裁并均匀地分布到其他 bin。均衡化后，为了去除块边界上的伪影，应用双线性插值。

下面的代码片段显示了如何在 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, "文件无法读取，请使用os.path.exists()检查"
 
# 创建 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)

查看下面的结果，并将其与上面的结果进行比较，尤其是雕像区域

图像

附加资源

维基百科关于直方图均衡化的页面
Numpy中的掩码数组

还可以查看这些关于对比度调整的 SOF 问题