本文介绍了python OpenCV学习笔记之直方图均衡化，分享给大家，具体如下：
官方文档 – https://docs.opencv.org/3.4.0/d5/daf/tutorial_py_histogram_equalization.html
考虑一个图像，其像素值仅限制在特定的值范围内。例如，更明亮的图像将使所有像素都限制在高值中。但是一个好的图像会有来自图像的所有区域的像素。所以你需要把这个直方图拉伸到两端(如下图所给出的)，这就是直方图均衡的作用(用简单的话说)。这通常会改善图像的对比度。
建议阅读关于直方图均衡的wikipedia页面Histogram Equalization，了解更多有关它的详细信息。它给出了一个很好的解释，给出了一些例子，这样你就能在读完之后理解所有的东西。同样，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', 0)
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','histogram'), loc = 'upper left')
plt.show()
你可以看到，直方图位于更亮的区域。我们需要完整的频谱。为此，我们需要一个转换函数，它将更亮区域的输入像素映射到全区域的输出像素。这就是直方图均衡所做的。
现在我们找到了最小的直方图值(不包括0)，并应用了在wiki页面中给出的直方图均衡等式。但我用在Numpy的遮罩数组的概念数组上。对于遮罩数组，所有操作都是在非遮罩元素上执行的。
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')
现在我们有了一个查找表，它提供了关于每个输入像素值的输出像素值的信息。所以我们只要应用变换。
img2 = cdf[img]
现在我们计算它的直方图和cdf，就像之前一样，结果如下：
另一个重要的特征是，即使图像是一个较暗的图像(而不是我们使用的更亮的图像)，在均衡之后，我们将得到几乎相同的图像。因此，它被用作一种“参考工具”，使所有的图像都具有相同的光照条件。这在很多情况下都很有用。例如，在人脸识别中，在对人脸数据进行训练之前，人脸的图像是均匀的，使它们具有相同的光照条件。
OpenCV中的直方图均衡化
OpenCV有一个函数可以这样做，cv.equalizeHist()。它的输入只是灰度图像，输出是我们的直方图均衡图像。
img = cv.imread('wiki,jpg', 0)
equ = cv.equalizeHist(img)
res = np.hstack((img, equ)) # 并排叠加图片
cv.imwrite('res.png', res)
所以现在你可以用不同的光条件来拍摄不同的图像，平衡它，并检查结果。
当图像的直方图被限制在一个特定的区域时，直方图均衡是很好的。在那些有很大强度变化的地方，直方图覆盖了一个大区域，比如明亮的和暗的像素，这样的地方就不好用了。
CLAHE（对比有限的自适应直方图均衡/Contrast Limited Adaptive Histogram Equalization）
我们刚刚看到的第一个直方图均衡化，考虑到图像的全局对比。在很多情况下，这不是一个好主意。例如，下图显示了一个输入图像及其在全局直方图均衡之后的结果。
在直方图均衡化之后，背景对比得到了改善。但是比较两幅图像中的雕像的脸。由于亮度过高，我们丢失了大部分的信息。这是因为它的直方图并不局限于一个特定的区域，就像我们在前面的例子中看到的那样。
为了解决这个问题，可以使用了自适应直方图均衡。在这一点上，图像被划分为几个小块，称为“tiles”(在OpenCV中默认值是8x8)。然后每一个方块都是像平常一样的直方图。因此，直方图会限制在一个小区域(除非有噪声)。如果噪音在那里，它就会被放大。为了避免这种情况，会应用对比限制。如果任何直方图bin超出指定的对比度限制（默认情况下是40），在应用直方图均衡之前，这些像素被裁剪并均匀地分布到其他bin。均衡后，删除边界中的工件，采用双线性插值。
cv.createCLAHE([, clipLimit[, tileGridSize]])
import numpy as np
import cv2 as cv
img = cv.imread('tsukuba_1.png', 0)
# create a CLAHE object (Arguments are optional).
clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)
cv.imread('clahe_2.jpg', cl1)
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
