matlab全局直方图均衡化和局部直方图均衡化的优缺点

Posted 2023-04-15

matlab全局直方图均衡化和局部直方图均衡化的优缺点如下：
如果一幅图像整体偏暗或者偏亮，那么直方图均衡化的方法很适用。但直方图均衡化是一种全局处理方式，它对处理的数据不加选择，可能会增加背景干扰信息的对比度并且降低有用信号的对比度（如果图像某些区域对比度很好，而另一些区域对比度不好，那采用直方图均衡化就不一定用）。此外，均衡化后图像的灰度级减少，某些细节将会消失；某些图像（如直方图有高峰），经过均衡化后对比度不自然的过分增强。针对直方图均衡化的缺点，已经有局部的直方图均衡化方法出现。
1.全局直方图均衡化，是先将图像各元素的个数进行统计，再求出各像素值的概率，并进行概率对应的归一化，将归一化的概率乘上灰度值，根据原像素值和归一化后的像素值对应，通过find函数找到原来相应的像素改变为现在归一化后的像素，得到均衡化处理的图像。
2.局部直方图均衡化，分为子块不重叠、子块重叠和子块部分重叠，函数中可选择不同的方法计算。子块不重叠算法根据输入分割子块的大小为n，将图像划分为多块n*n大小的子块，单独对每块进行直方图均衡化；子块重叠算法根据输入分割子块的大小n,利用该分割子块的直方图信息对子块中心的像素进行均衡化，逐一处理完该子块所有像素点；子块部分重叠算法子块是将移动步长约取为子块尺寸的几分之一，子块均衡的灰度值用于映射子块所有像素的灰度值，并记录对多次被均衡的像素，将均衡结果取平均作为该像素在输出图像中的灰度值。 参考技术A 1、直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。
直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。
直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。
2、归一化是一种无量纲处理手段，使物理系统数值的绝对值变成某种相对值关系。简化计算，缩小量值的有效办法。直方图归一化类比这个吧！

跟我学Python丨图像增强及运算：局部直方图均衡化和自动色彩均衡化处理

摘要：本文主要讲解图像局部直方图均衡化和自动色彩均衡化处理。这些算法可以广泛应用于图像增强、图像去噪、图像去雾等领域。

本文分享自华为云社区《​​[Python从零到壹] 五十四.图像增强及运算篇之局部直方图均衡化和自动色彩均衡化处理​​》，作者： eastmount。

一.局部直方图均衡化

前文通过调用OpenCV中equalizeHist()函数实现直方图均衡化处理，该方法简单高效，但其实它是一种全局意义上的均衡化处理，很多时候这种操作不是很好，会把某些不该调整的部分给均衡处理了。同时，图像中不同的区域灰度分布相差甚远，对它们使用同一种变换常常产生不理想的效果，实际应用中，常常需要增强图像的某些局部区域的细节。

为了解决这类问题，Pizer等提出了局部直方图均衡化的方法（AHE），但AHE方法仅仅考虑了局部区域的像素，忽略了图像其他区域的像素，且对于图像中相似区域具有过度放大噪声的缺点。为此K. Zuiderveld等人提出了对比度受限CLAHE的图像增强方法，通过限制局部直方图的高度来限制局部对比度的增强幅度，从而限制噪声的放大及局部对比度的过增强，该方法常用于图像增强，也可以被用来进行图像去雾操作[1-2]。

在OpenCV中，调用函数createCLAHE()实现对比度受限的局部直方图均衡化。它将整个图像分成许多小块（比如按10×10作为一个小块），那么对每个小块进行均衡化。这种方法主要对于图像直方图不是那么单一的（比如存在多峰情况）图像比较实用。其函数原型如下所示：

retval = createCLAHE([, clipLimit[, tileGridSize]])

• clipLimit参数表示对比度的大小
• tileGridSize参数表示每次处理块的大小

调用createCLAHE()实现对比度受限的局部直方图均衡化的代码如下：

# -*- coding: utf-8 -*-
# By:Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
#读取图片
img = cv2.imread(lena.bmp)
#灰度转换
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#局部直方图均衡化处理
clahe = cv2.createCLAHE(clipLimit=2, tileGridSize=(10,10))
#将灰度图像和局部直方图相关联, 把直方图均衡化应用到灰度图 
result = clahe.apply(gray)
#显示图像
plt.subplot(221)
plt.imshow(gray, cmap=plt.cm.gray), plt.axis("off"), plt.title((a)) 
plt.subplot(222)
plt.imshow(result, cmap=plt.cm.gray), plt.axis("off"), plt.title((b)) 
plt.subplot(223)
plt.hist(img.ravel(), 256), plt.title((c)) 
plt.subplot(224)
plt.hist(result.ravel(), 256), plt.title((d)) 
plt.show()

输出结果如图1所示，图1(a)为原始图像，对应的直方图为图1©，图1(b)和图1(d)为对比度受限的局部直方图均衡化处理后的图像及对应直方图，它让图像的灰度值分布更加均衡。可以看到，相对于全局的直方图均衡化，这个局部的均衡化似乎得到的效果更自然一点。

二.自动色彩均衡化

Retinex算法是代表性的图像增强算法，它根据人的视网膜和大脑皮层模拟对物体颜色的波长光线反射能力而形成，对复杂环境下的一维条码具有一定范围内的动态压缩，对图像边缘有着一定自适应的增强。自动色彩均衡（Automatic Color Enhancement，ACE）算法是在Retinex算法的理论上提出的，它通过计算图像目标像素点和周围像素点的明暗程度及其关系来对最终的像素值进行校正，实现图像的对比度调整，产生类似人体视网膜的色彩恒常性和亮度恒常性的均衡，具有很好的图像增强效果[3-4]。

ACE算法包括两个步骤，一是对图像进行色彩和空域调整，完成图像的色差校正，得到空域重构图像；二是对校正后的图像进行动态扩展。ACE算法计算公式如下：

其中，W是权重参数，离中心点像素越远的W值越小；g是相对对比度调节参数，其计算方法如公式(22-2)所示，a表示控制参数，值越大细节增强越明显。

图2是条形码图像进行ACE图像增强后的效果图，通过图像增强后的图(b)对比度更强，改善了原图像的明暗程度，增强的同时保持了图像的真实性。

由于OpenCV中暂时没有ACE算法包，下面的代码是借鉴“zmshy2128”老师的文章，修改实现的彩色直方图均衡化处理[5]。

# -*- coding: utf-8 -*-
# By:Eastmount
# 参考zmshy2128老师文章
import cv2
import numpy as np
import math
import matplotlib.pyplot as plt
#线性拉伸处理
#去掉最大最小0.5%的像素值 线性拉伸至[0,1]
def stretchImage(data, s=0.005, bins = 2000): 
 ht = np.histogram(data, bins);
    d = np.cumsum(ht[0])/float(data.size)
 lmin = 0; lmax=bins-1
 while lmin<bins:
 if d[lmin]>=s:
 break
 lmin+=1
 while lmax>=0:
 if d[lmax]<=1-s:
 break
 lmax-=1
 return np.clip((data-ht[1][lmin])/(ht[1][lmax]-ht[1][lmin]), 0,1)
#根据半径计算权重参数矩阵
g_para = 
def getPara(radius = 5): 
 global g_para
    m = g_para.get(radius, None)
 if m is not None:
 return m
    size = radius*2+1
    m = np.zeros((size, size))
 for h in range(-radius, radius+1):
 for w in range(-radius, radius+1):
 if h==0 and w==0:
 continue
 m[radius+h, radius+w] = 1.0/math.sqrt(h**2+w**2)
    m /= m.sum()
 g_para[radius] = m
 return m
#常规的ACE实现
def zmIce(I, ratio=4, radius=300): 
    para = getPara(radius)
 height,width = I.shape
 #Python3报错如下 使用列表append修改
 zh = []
 zw = []
    n = 0
 while n < radius:
 zh.append(0)
 zw.append(0)
        n += 1
 for n in range(height):
 zh.append(n)
 for n in range(width):
 zw.append(n)
    n = 0
 while n < radius:
 zh.append(height-1)
 zw.append(width-1)
        n += 1
 #print(zh)
 #print(zw)
    Z = I[np.ix_(zh, zw)]
    res = np.zeros(I.shape)
 for h in range(radius*2+1):
 for w in range(radius*2+1):
 if para[h][w] == 0:
 continue
            res += (para[h][w] * np.clip((I-Z[h:h+height, w:w+width])*ratio, -1, 1))
 return res
#单通道ACE快速增强实现
def zmIceFast(I, ratio, radius):
 print(I)
    height, width = I.shape[:2]
 if min(height, width) <=2:
 return np.zeros(I.shape)+0.5
    Rs = cv2.resize(I, (int((width+1)/2), int((height+1)/2)))
    Rf = zmIceFast(Rs, ratio, radius) #递归调用
    Rf = cv2.resize(Rf, (width, height))
    Rs = cv2.resize(Rs, (width, height))
 return Rf+zmIce(I,ratio, radius)-zmIce(Rs,ratio,radius) 
#rgb三通道分别增强 ratio是对比度增强因子 radius是卷积模板半径 
def zmIceColor(I, ratio=4, radius=3): 
    res = np.zeros(I.shape)
 for k in range(3):
        res[:,:,k] = stretchImage(zmIceFast(I[:,:,k], ratio, radius))
 return res
#主函数
if __name__ == __main__:
 img = cv2.imread(test01.png)
    res = zmIceColor(img/255.0)*255
    cv2.imwrite(Ice.jpg, res)

运行结果如图3和图4所示，ACE算法能有效进行图像去雾处理，实现图像的细节增强。

三.总结

本文主要讲解图像局部直方图均衡化和自动色彩均衡化处理。这些算法可以广泛应用于图像增强、图像去噪、图像去雾等领域。

​​点击关注，第一时间了解华为云新鲜技术~​​