机器学习进阶-直方图与傅里叶变化-直方图均衡化 1.cv2.equalizeHist(进行直方图均衡化) 2. cv2.createCLAHA(用于生成自适应均衡化图像)

Posted my-love-is-python

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习进阶-直方图与傅里叶变化-直方图均衡化 1.cv2.equalizeHist(进行直方图均衡化) 2. cv2.createCLAHA(用于生成自适应均衡化图像)相关的知识,希望对你有一定的参考价值。

1. cv2.equalizeHist(img)  # 表示进行直方图均衡化

参数说明:img表示输入的图片

2.cv2.createCLAHA(clipLimit=8.0, titleGridSize=(8, 8))  用于生成自适应均衡化图像

参数说明:clipLimit颜色对比度的阈值, titleGridSize进行像素均衡化的网格大小,即在多少网格下进行直方图的均衡化操作

直方图均衡化:一般可以用来提升图片的亮度, 在上面一节中,我们可以看出在150-200之间所占的频数特别的大,频数均衡化指的是让频数的分布看起来更加均匀一些

技术图片

主要实现的手段

技术图片

上图中的左边的图是原始数据, 右边的图是进行函数映射后的灰度值

首先对各个灰度值做频数统计,计算其概率,根据像素的灰度值计算出累积概率,最后将累积概率 * (255-0) 做为函数映射后的灰度值,

这样做的目的,可以使得灰度值之间的间隔更小,即一些频数较大的灰度值补充给了频数较小的灰度值,从而实现了灰度值的均衡化

代码:

第一步:读入图片

第二步:使用cv2.equalizeHist(img)均衡化像素

第三步:使用plt.hist 画出均衡化的直方图

第四步:使用plt.imshow 画出均衡化后的图像

import cv2
import numpy as np
import matplotlib.pyplot as plt


# 第一步:读入图片
img = cv2.imread(cat.jpg, 0)

# 第二步: 使用cv2.equalizeHist实现像素点的均衡化
ret = cv2.equalizeHist(img)

# 第三步:使用plt.hist绘制像素直方图
plt.subplot(121)
plt.hist(img.ravel(), 256)
plt.subplot(122)
plt.hist(ret.ravel(), 256)
plt.show()

# 第四步:使用cv2.imshow()绘值均衡化的图像
cv2.imshow(ret, np.hstack((img, ret)))
cv2.waitKey(0)

技术图片技术图片

 

这种全局的均衡化也会存在一些问题,由于整体亮度的提升,也会使得局部图像的细节变得模糊,因为我们需要进行分块的局部均衡化操作

代码:

第一步:使用cv2.createCLAHE(clipLimit=2.0, titleGridSize=(8, 8)) 实例化均衡直方图函数
第二步:使用.apply进行均衡化操作

第三步:进行画图操作

# 使用自适应直方图均衡化
# 第一步:实例化自适应直方图均衡化函数
clahe = cv2.createCLAHE(clipLimit=2.0,
                        tileGridSize=(8, 8))

# 第二步:进行自适应直方图均衡化
clahe = clahe.apply(img)

# 第三步:进行图像的展示
cv2.imshow(imgs, np.hstack((img, ret, clahe)))
cv2.waitKey(0)
cv2.destroyAllWindows()

技术图片可以看出自适应均衡化没有使得人物脸部的细节消失

 


以上是关于机器学习进阶-直方图与傅里叶变化-直方图均衡化 1.cv2.equalizeHist(进行直方图均衡化) 2. cv2.createCLAHA(用于生成自适应均衡化图像)的主要内容,如果未能解决你的问题,请参考以下文章

3. OpenCV-Python——图像梯度算法边缘检测图像金字塔与轮廓检测直方图与傅里叶变换

opencv-python图像处理 ---直方图与傅里叶变换逆变换

数字图像处理学习笔记(1.2)---位图的读写几何变换傅里叶变换直方图均衡

图像处理操作

学习小波变换与傅里叶变换

opencv2