Python OpenCV直方圖均衡化詳解
前言
圖像處理技術(shù)是計算機(jī)視覺項目的核心，通常是計算機(jī)視覺項目中的關(guān)鍵工具，可以使用它們來完成各種計算機(jī)視覺任務(wù)。在本文中，將介紹如何使用 OpenCV 函數(shù) cv2.equalizeHist() 執(zhí)行直方圖均衡，并將其應(yīng)用于灰度和彩色圖像，cv2.equalizeHist() 函數(shù)將亮度歸一化并提高圖像的對比度。
灰度直方圖均衡化
使用 cv2.equalizeHist() 函數(shù)來均衡給定灰度圖像的對比度：
# 加載圖像并轉(zhuǎn)換為灰度圖像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])
# 直方圖均衡化
gray_image_eq = cv2.equalizeHist(gray_image)
# 直方圖均衡化后的圖像直方圖
hist_eq = cv2.calcHist([gray_image_eq], [0], None, [256], [0, 256])
為了深入了解直方圖均衡，我們對原始灰度圖像進(jìn)行修改，為圖像的每個像素添加/減去 30，并計算直方圖均衡前后的直方圖：
M = np.ones(gray_image.shape, dtype='uint8') * 30 # 為圖像的每個像素添加 30 added_image = cv2.add(gray_image, M) hist_added_image = cv2.calcHist([added_image], [0], None, [256], [0, 256]) # 直方圖均衡化 added_image_eq = cv2.equalizeHist(gray_image_eq) hist_eq_added_image = cv2.calcHist([added_image_eq], [0], None, [256], [0, 256]) # 為圖像的每個像素減去 30 subtracted_image = cv2.subtract(gray_image, M) hist_subtracted_image = cv2.calcHist([subtracted_image], [0], None, [256], [0, 256]) # 直方圖均衡化 subtracted_image_eq = cv2.equalizeHist(subtracted_image) hist_eq_subtracted_image = cv2.calcHist([subtracted_image_eq], [0], None, [256], [0, 256])
最后，繪制所有這些圖像：
def show_img_with_matplotlib(color_img, title, pos):
img_RGB = color_img[:, :, ::-1]
ax = plt.subplot(3, 4, pos)
plt.imshow(img_RGB)
plt.title(title, fontsize=8)
plt.axis('off')
def show_hist_with_matplotlib_gray(hist, title, pos, color):
ax = plt.subplot(3, 4, pos)
plt.xlabel("bins")
plt.ylabel("number of pixels")
plt.xlim([0, 256])
plt.plot(hist, color=color)
# 可視化
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "gray", 1)
show_hist_with_matplotlib_gray(hist, "grayscale histogram", 2, 'm')
show_img_with_matplotlib(cv2.cvtColor(added_image, cv2.COLOR_GRAY2BGR), "gray lighter", 5)
show_hist_with_matplotlib_gray(hist_added_image, "grayscale histogram", 6, 'm')
show_img_with_matplotlib(cv2.cvtColor(subtracted_image, cv2.COLOR_GRAY2BGR), "gray darker", 9)
show_hist_with_matplotlib_gray(hist_subtracted_image, "grayscale histogram", 10, 'm')
# 其他圖像的可視化方法類似，不再贅述
# ...
程序運(yùn)行的輸出如下圖所示：
在上圖中，我們可以看到三個均衡化后的圖像非常相似，這也反映在均衡化后的直方圖中，這是因為直方圖均衡化傾向于標(biāo)準(zhǔn)化圖像的亮度，同時增加對比度。
顏色直方圖均衡化
使用相同的方法，我們可以在彩色圖像中執(zhí)行直方圖均衡，將直方圖均衡應(yīng)用于 BGR 圖像的每個通道(雖然這不是彩色圖像直方圖均衡的最佳方法)，創(chuàng)建 equalize_hist_color() 函數(shù)，使用 cv2.split() 分割 BGR 圖像并將 cv2.equalizeHist() 函數(shù)應(yīng)用于每個通道，最后，使用 cv2.merge() 合并結(jié)果通道：
def equalize_hist_color(img):
# 使用 cv2.split() 分割 BGR 圖像
channels = cv2.split(img)
eq_channels = []
# 將 cv2.equalizeHist() 函數(shù)應(yīng)用于每個通道
for ch in channels:
eq_channels.append(cv2.equalizeHist(ch))
# 使用 cv2.merge() 合并所有結(jié)果通道
eq_image = cv2.merge(eq_channels)
return eq_image接下來，將此函數(shù)應(yīng)用于三個不同的圖像：原始 BGR 圖像、將原始圖像的每個像素值添加 10、將原始圖像的每個像素值減去 10，并計算直方圖均衡前后的直方圖：
# 加載圖像
image = cv2.imread('example.png')
# 計算直方圖均衡前后的直方圖
hist_color = hist_color_img(image)
image_eq = equalize_hist_color(image)
hist_image_eq = hist_color_img(image_eq)
M = np.ones(image.shape, dtype="uint8") * 10
# 為圖像的每個像素添加 10
added_image = cv2.add(image, M)
# 直方圖均衡前后的直方圖
hist_color_added_image = hist_color_img(added_image)
added_image_eq = equalize_hist_color(added_image)
hist_added_image_eq = hist_color_img(added_image_eq)
# 為圖像的每個像素減去 10
subtracted_image = cv2.subtract(image, M)
# 直方圖均衡前后的直方圖
hist_color_subtracted_image = hist_color_img(subtracted_image)
subtracted_image_eq = equalize_hist_color(subtracted_image)
hist_subtracted_image_eq = hist_color_img(subtracted_image_eq)最后，繪制所有這些圖像：
def show_img_with_matplotlib(color_img, title, pos):
img_RGB = color_img[:, :, ::-1]
ax = plt.subplot(3, 4, pos)
plt.imshow(img_RGB)
plt.title(title, fontsize=8)
plt.axis('off')
def show_hist_with_matplotlib_rgb(hist, title, pos, color):
ax = plt.subplot(3, 4, pos)
plt.xlabel("bins")
plt.ylabel("number of pixels")
plt.xlim([0, 256])
for (h, c) in zip(hist, color):
plt.plot(h, color=c)
# 可視化
show_img_with_matplotlib(image, "image", 1)
show_hist_with_matplotlib_rgb(hist_color, "color histogram", 2, ['b', 'g', 'r'])
show_img_with_matplotlib(added_image, "image lighter", 5)
show_hist_with_matplotlib_rgb(hist_color_added_image, "color histogram", 6, ['b', 'g', 'r'])
show_img_with_matplotlib(subtracted_image, "image darker", 9)
show_hist_with_matplotlib_rgb(hist_color_subtracted_image, "color histogram", 10, ['b', 'g', 'r'])
# 其他圖像的可視化方法類似，不再贅述
# ...
將直方圖均衡化應(yīng)用于 BGR 圖像的每個通道并不是顏色直方圖均衡化的好方法，這是由于 BGR 色彩空間的加性特性導(dǎo)致彩色圖像的顏色變化很大。由于我們獨(dú)立地改變?nèi)齻€通道中的亮度和對比度，因此在合并均衡通道時，這可能會導(dǎo)致圖像中出現(xiàn)新的色調(diào)，正如上圖所看到的那樣。
一種顏色直方圖均衡化更好的方法是將 BGR 圖像轉(zhuǎn)換為包含亮度/強(qiáng)度通道的色彩空間( Yuv、Lab、HSV 和 HSL )。然后，只在亮度通道上應(yīng)用直方圖均衡，最后合并通道并將它們轉(zhuǎn)換回 BGR 顏色空間，以 HSV 空間為例，創(chuàng)建 equalize_hist_color_hsv() 函數(shù)實現(xiàn)上述顏色直方圖歸一化方法：
def equalize_hist_color_hsv(img):
H, S, V = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2HSV))
eq_V = cv2.equalizeHist(V)
eq_image = cv2.cvtColor(cv2.merge([H, S, eq_V]), cv2.COLOR_HSV2BGR)
return eq_image接下來，將此函數(shù)應(yīng)用于三個不同的圖像：原始 BGR 圖像、將原始圖像的每個像素值添加 10、將原始圖像的每個像素值減去 10，并計算直方圖均衡前后的直方圖：
hist_color = hist_color_img(image) # 計算直方圖均衡前后的直方圖 image_eq = equalize_hist_color_hsv(image) hist_image_eq = hist_color_img(image_eq) M = np.ones(image.shape, dtype="uint8") * 10 # 為圖像的每個像素添加 10 added_image = cv2.add(image, M) hist_color_added_image = hist_color_img(added_image) # 直方圖均衡前后的直方圖 added_image_eq = equalize_hist_color_hsv(added_image) hist_added_image_eq = hist_color_img(added_image_eq) # 為圖像的每個像素減去 10 subtracted_image = cv2.subtract(image, M) hist_color_subtracted_image = hist_color_img(subtracted_image) # 直方圖均衡前后的直方圖 subtracted_image_eq = equalize_hist_color_hsv(subtracted_image) hist_subtracted_image_eq = hist_color_img(subtracted_image_eq)
最后，繪制所有這些圖像：
# show_img_with_matplotlib() 和 show_hist_with_matplotlib_rgb（） 函數(shù)與上一示例相同 show_img_with_matplotlib(image, "image", 1) show_hist_with_matplotlib_rgb(hist_color, "color histogram", 2, ['b', 'g', 'r']) show_img_with_matplotlib(added_image, "image lighter", 5) show_hist_with_matplotlib_rgb(hist_color_added_image, "color histogram", 6, ['b', 'g', 'r']) # 其他圖像的可視化方法類似，不再贅述 # ...
由上圖可以看出，僅均衡 HSV 圖像的 V 通道得到的結(jié)果比均衡 BGR 圖像的所有通道的效果要好很多，也可以將這種方法用于其他包含亮度/強(qiáng)度通道的色彩空間( Yuv、Lab 和 HSL )。
以上就是Python OpenCV直方圖均衡化詳解的詳細(xì)內(nèi)容，更多關(guān)于OpenCV直方圖均衡化的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
jupyter代碼塊沒有運(yùn)行圖標(biāo)的解決方案
這篇文章主要介紹了jupyter代碼塊沒有運(yùn)行圖標(biāo)的解決方案,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2025-04-04
使用Async IO在Python中進(jìn)行異步編程的步驟詳解
許多程序員都熟悉編寫順序（同步）代碼,在異步世界中,事件的發(fā)生獨(dú)立于主程序流程,異步編程范例有助于并發(fā)執(zhí)行這些任務(wù),并確保您可以克服等待時間并更有效地使用資源,本文給大家介紹了使用Async IO在Python中進(jìn)行異步編程,需要的朋友可以參考下2023-11-11
Python中如何實現(xiàn)真正的按位取反運(yùn)算
按位取反是位運(yùn)算符,而位運(yùn)算符是應(yīng)用在兩個數(shù)的運(yùn)算上,會對數(shù)字的二進(jìn)制所有位數(shù)進(jìn)行從低到高的運(yùn)算,下面這篇文章主要給大家介紹了關(guān)于Python中如何實現(xiàn)真正的按位取反運(yùn)算的相關(guān)資料,需要的朋友可以參考下2023-02-02
這篇文章主要介紹了詳解python開發(fā)環(huán)境搭建 ,記錄一下過程，方便自己以后配置，也方便正在學(xué)習(xí)中的同事配置他們的環(huán)境。2016-12-12
Python實現(xiàn)一個簡單的畢業(yè)生信息管理系統(tǒng)的示例代碼
這篇文章主要介紹了Python實現(xiàn)一個簡單的畢業(yè)生信息管理系統(tǒng)的示例代碼，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-06-06
這篇文章主要介紹了20個實用的Python?Excel自動化腳本,用于自動化處理和分析Excel文件,提高工作效率,從批量填充單元格、設(shè)置行高與列寬到生成數(shù)據(jù)透視表和圖表,涵蓋了數(shù)據(jù)處理和分析的各個方面,需要的朋友可以參考下2025-02-02
關(guān)于Tensorflow中的tf.train.batch函數(shù)的使用
本篇文章主要介紹了關(guān)于Tensorflow中的tf.train.batch函數(shù)的使用，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2018-04-04
Python3實現(xiàn)將文件樹中所有文件和子目錄歸檔到tar壓縮文件的方法
這篇文章主要介紹了Python3實現(xiàn)將文件樹中所有文件和子目錄歸檔到tar壓縮文件的方法,涉及Python3使用tarfile模塊實現(xiàn)tar壓縮文件的技巧,需要的朋友可以參考下2015-05-05
Python學(xué)習(xí)之魔法函數(shù)(filter,map,reduce)詳解
這篇文章我們將來學(xué)習(xí)一下，Python中的三個高級函數(shù)：filter()、map()、reduce()，這三個函數(shù)也被稱為魔法函數(shù)，感興趣的小伙伴可以了解一下2022-04-04
python提供了兩個非常重要的功能來處理python程序在運(yùn)行中出現(xiàn)的異常和錯誤。你可以使用該功能來調(diào)試python程序。今天通過本文給大家介紹python異常處理try的實例詳解，感興趣的朋友一起看看吧2021-10-10