数字图像处理(17): 直方图均衡化处理 |
您所在的位置：网站首页 › 灰度直方图envi › 数字图像处理(17): 直方图均衡化处理 |
数字图像处理(17): 直方图均衡化处理
|
目录 1 直方图均衡化简介 1.1 直方图均衡化概念 1.2 直方图均衡化的理论基础 1.3 直方图均衡化的步骤 1.4 直方图均衡化应用场景 2 直方图均衡化-equalizeHist() 3 matplotlib.pyplot.subplot() 函数 4 matplotlib.pyplot.imshow() 函数 5 直方图均衡化对比 参考资料 1 直方图均衡化简介 1.1 直方图均衡化概念 直方图均衡化 (Histogram Equalization) 就是把一个已知灰度概率密度分布的图像经过一种变换，使之演变为一幅具有均匀灰度概率密度分布的新图像。 如下图所示，过暗和过亮的图像 经过直方图均衡化，使得图像变得清晰。
1.2 直方图均衡化的理论基础 前提：如果一幅图像占有全部可能的灰度级，并且均匀分布。 结论：该图像具有高对比度和多变的灰色色调。 外观：图像细节丰富，质量更高。 1.3 直方图均衡化的步骤 （1）计算累计直方图； （2）将累计直方图进行区间转换； （3）在累计直方图中，概率相近的原始值，会被处理为相同的值。
具体的例子如下： 如下图所示，已知一幅图像的像素分布为 7
根据统计直方图，可以算出归一化直方图和累计直方图，如下图所示：
将累计直方图进行区间转换，如下图所示：
由上图的结果可知，原先8个灰度级转变成6个灰度级，那么原始直方图和均衡直方图为：
上面的灰度级是8，那灰度级转变成256，计算方法类似，如下图所示：
同样的，原始直方图和均衡直方图为：
由上图可以看出，虽然二者相似，但右侧均衡化后的直方图分布更均匀，相邻像素级概率和与高概率近似相等。如果将两张图的灰度级放在同一区间，可以看出差别更大，如下图所示：
1.4 直方图均衡化应用场景 （1）医学图像处理 （2）车牌照识别 （3）人脸识别 2 直方图均衡化-equalizeHist() OpenCV库下，直方图均衡化使用 equalizeHist() 函数，函数用法如下所示: dst=cv2.equalizeHist(src) 其中，参数： dst 表示处理结果 src 表示原始图像
代码如下所示： #encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread('zxp.jpg', cv2.IMREAD_GRAYSCALE) equ = cv2.equalizeHist(img) cv2.imshow("src", img) cv2.imshow("result", equ) plt.hist(img.ravel(), 256) plt.figure() plt.hist(equ.ravel(), 256) plt.show() cv2.waitKey(0) cv2.destroyAllWindows()
运行结果如下图所示：（左图为原始灰度图像，右图为均衡化后的图像）
3 matplotlib.pyplot.subplot() 函数 matplotlib.pyplot.subplot() 函数可以将多张图像放在一个窗口内，Pyhton下需要导入 matplotlib.pyplot 绘图包，其用法和Matlab中的subplot()函数用法类似。matplotlib 是一个强大的绘图包。subplot() 函数用法如下所示： subplot(nrows, ncols, plot_number) 其中，参数： nrows 表示行数； ncols 表示列数； plot_number 表示窗口序号。 例如：排列成两行三列的图像，如下图所示：
注：在实际应用中，如果每一个参数都小于10，三个数字可以连着直接写，不加标点，如 subplot(2,3,4) 可以写成 subplot(234)
代码如下所示： #encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread('zxp.jpg', cv2.IMREAD_GRAYSCALE) equ = cv2.equalizeHist(img) plt.subplot(221),plt.imshow(img, 'gray'),plt.title('img'), plt.xticks([]),plt.yticks([]) plt.subplot(222),plt.imshow(equ, 'gray'),plt.title('equ'), plt.xticks([]),plt.yticks([]) plt.subplot(223),plt.hist(img.ravel(),256),plt.title('img_hist') plt.subplot(224),plt.hist(equ.ravel(),256),plt.title('equ_hist') plt.show() cv2.waitKey(0) cv2.destroyAllWindows()
运行结果如下图所示：
4 matplotlib.pyplot.imshow() 函数 imshow() 函数用法如下所示，同样的，Pyhton下需要导入 matplotlib.pyplot 绘图包。 imshow(X, cmap=None) 其中，参数： X 表示要绘制的图像； cmap 表示colormap，颜色图谱，默认为RGB(A)颜色空间： 1）对于灰度图像，使用参数 “ cmap=plt.cm.gray ”； 2）对于彩色图像，如果使用opencv读入的图像，默认空间为BRG，需要调整色彩空间为RGB。
下面是分别使用函数读取灰度图像和彩色图像例子。 （1）灰度图像 代码如下所示： #encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread('zxp.jpg') img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) plt.subplot(221),plt.imshow(img),plt.title('img'), plt.axis('off') #坐标轴关闭 plt.subplot(222),plt.imshow(img, cmap=plt.cm.gray),plt.title('img_cmap'), plt.axis('off') plt.subplot(223),plt.imshow(img_gray),plt.title('img_gray'), plt.axis('off') plt.subplot(224),plt.imshow(img_gray, cmap=plt.cm.gray),plt.title('img_gray_cmap'),plt.axis('off')#正确用法 plt.show() cv2.waitKey(0) cv2.destroyAllWindows()
运行结果如下图所示：
（2）彩色图像 代码如下所示： #encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread('zxp.jpg') b,g,r=cv2.split(img) #通道分割 img_RGB=cv2.merge([r,g,b])#通道组合 plt.subplot(121),plt.imshow(img),plt.title('img_BGR'), plt.axis('off') #坐标轴关闭 plt.subplot(122),plt.imshow(img_RGB),plt.title('img_RGB'), plt.axis('off')
运行结果如下图所示：
5 直方图均衡化对比 直方图均衡化前后对比，使用前面提到的 matplotlib.pyplot.subplot() 函数 和 matplotlib.pyplot.imshow() 函数。
代码如下所示： #encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt img_gray = cv2.imread('zxp.jpg', cv2.IMREAD_GRAYSCALE) equ = cv2.equalizeHist(img_gray) plt.subplot(221),plt.imshow(img_gray, cmap=plt.cm.gray),plt.title('img_gray'), plt.axis('off') #坐标轴关闭 plt.subplot(222),plt.imshow(equ, cmap=plt.cm.gray),plt.title('equ'), plt.axis('off') #坐标轴关闭 plt.subplot(223),plt.hist(img_gray.ravel(),256),plt.title('img_gray_hist') plt.subplot(224),plt.hist(equ.ravel(),256),plt.title('equ_hist') plt.show() cv2.waitKey(0) cv2.destroyAllWindows()
运行结果如下图所示：
参考资料 [1] Python+OpenCV图像处理 |
【本文地址】
今日新闻 |
推荐新闻 |