opencv 绘制图像直方图,实现直方图均衡化,自适应均衡化 |
您所在的位置:网站首页 › 直方图均衡化实现 › opencv 绘制图像直方图,实现直方图均衡化,自适应均衡化 |
直方图
直方图简单来说就是图像中每个像素值的个数统计,比如说一副灰度图中像素值为0的有多少个,1的有多少个……直方图是一种分析图像的手段: 图像->直方图,bins=7 直方图计算 opencv库计算直方图使用 cv.calcHist(images, channels, mask, histSize, ranges) 计算,其中: 参数1:要计算的原图,以方括号的形式传入,如:[img] 参数2:选择图像的某个通道,计算直方图,灰度图像写[0] 参数3:要计算的区域,计算整幅图的话,写None 参数4:直方图横坐标数目 参数5:要计算的像素范围,一般为[0,255] 例如:hist = cv.calcHist([img], [0], None, [256], [0, 255]) numpy库计算直方图可用Numpy中的函数计算直方图,其中ravel()函数将二维矩阵展平变成一维数组: hist, bins = np.histogram(img.ravel(), 255, [0, 255]) 另一种更高效的方式: hist = np.bincount(img.ravel(), minlength=256) 直方图绘制Matplotlib库自带了一个计算并绘制直方图的功能,不需要用到上面的函数: plt.hist(img.ravel(), 256, [0, 255]) plt.show() 当然,也可以用前面计算出来的结果绘制: plt.plot(hist) plt.show() 实验 import cv2 as cv import numpy as np import matplotlib.pyplot as plt img = cv.imread('hist.jpg', 0) hist = cv.calcHist([img], [0], None, [256], [0, 255]) plt.plot(hist) plt.show() 实验结果 原图 原图像的直方图 从直方图上可以看到图片的大部分区域集中在150偏白的附近,这其实并不是很好的效果,下面我们来看看如何改善它。 直方图均衡化一副效果好的图像通常在直方图上的分布比较均匀,直方图均衡化就是用来改善图像的全局亮度和对比度。其实从观感上就可以发现,前面那幅图对比度不高,偏灰白。对均衡化算法感兴趣的同学可参考:直方图均衡化算法及python实现 图解图像直方图均衡化 opencv中实现图像直方图均衡化equ = cv.equalizeHist(img) import cv2 as cv import numpy as np import matplotlib.pyplot as plt img = cv.imread('hist.jpg', 0) img_eq = cv.equalizeHist(img) hist = cv.calcHist([img], [0], None, [256], [0, 255]) hist_eq = cv.calcHist([img_eq], [0], None, [256], [0,255]) plt.figure(1) plt.subplot(2,2,1) plt.imshow(img,cmap='gray') plt.subplot(2,2,2) plt.imshow(img_eq,cmap='gray') plt.subplot(2,2,3) plt.plot(hist) plt.subplot(2,2,4) plt.plot(hist_eq) plt.show() 代码输出结果,可以看到均衡化后图片的亮度和对比度效果明显好于原图 matlab图像直方图均衡化请参考一篇优秀个文章:matlab实现图像直方图均衡化 直方图自适应均衡化不难看出来,直方图均衡化是应用于整幅图片的,会有什么问题呢?看下图: 左图:原图;右图:直方图均衡化后很明显,因为全局调整亮度和对比度的原因,脸部太亮,大部分细节都丢失了。 自适应均衡化就是用来解决这一问题的:它在每一个小区域内(默认8×8)进行直方图均衡化。当然,如果有噪点的话,噪点会被放大,需要对小区域内的对比度进行了限制,所以这个算法全称叫:对比度受限的自适应直方图均衡化CLAHE(Contrast Limited Adaptive Histogram Equalization)。 实现直方图自适应均衡化 import cv2 as cv import numpy as np import matplotlib.pyplot as plt img = cv.imread('tsukuba.jpg', 0) clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) cl1 = clahe.apply(img) plt.subplot(1,2,1) plt.imshow(img,cmap='gray') plt.title('Original') plt.xticks([]),plt.yticks([]) plt.subplot(1,2,2) plt.imshow(cl1,cmap='gray') plt.title('Adaptive Histogram Equalization') plt.xticks([]),plt.yticks([]) plt.show() 实验结果 左图:源图像;右图:自适应均衡化后图像 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |