Python OpenCV直方圖均衡化詳解

2022-02-08 13:01:30

前言

影象處理技術是計算機視覺專案的核心，通常是計算機視覺專案中的關鍵工具，可以使用它們來完成各種計算機視覺任務。在本文中，將介紹如何使用 OpenCV 函數 cv2.equalizeHist() 執行直方圖均衡，並將其應用於灰度和彩色影象，cv2.equalizeHist() 函數將亮度歸一化並提高影象的對比度。

灰度直方圖均衡化

使用 cv2.equalizeHist() 函數來均衡給定灰度影象的對比度：

# 載入影象並轉換為灰度影象
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)
# 直方圖均衡化後的影象直方圖
hist_eq = cv2.calcHist([gray_image_eq], [0], None, [256], [0, 256])

為了深入瞭解直方圖均衡，我們對原始灰度影象進行修改，為影象的每個畫素新增/減去 30，並計算直方圖均衡前後的直方圖：

M = np.ones(gray_image.shape, dtype='uint8') * 30
# 為影象的每個畫素新增 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])
# 為影象的每個畫素減去 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])

最後，繪製所有這些影象：

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)
# 視覺化
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')
# 其他影象的視覺化方法類似，不再贅述
# ...

程式執行的輸出如下圖所示：

在上圖中，我們可以看到三個均衡化後的影象非常相似，這也反映在均衡化後的直方圖中，這是因為直方圖均衡化傾向於標準化影象的亮度，同時增加對比度。

顏色直方圖均衡化

使用相同的方法，我們可以在彩色影象中執行直方圖均衡，將直方圖均衡應用於 BGR 影象的每個通道(雖然這不是彩色影象直方圖均衡的最佳方法)，建立 equalize_hist_color() 函數，使用 cv2.split() 分割 BGR 影象並將 cv2.equalizeHist() 函數應用於每個通道，最後，使用 cv2.merge() 合併結果通道：

def equalize_hist_color(img):
    # 使用 cv2.split() 分割 BGR 影象
    channels = cv2.split(img)
    eq_channels = []
    # 將 cv2.equalizeHist() 函數應用於每個通道
    for ch in channels:
        eq_channels.append(cv2.equalizeHist(ch))
    # 使用 cv2.merge() 合併所有結果通道
    eq_image = cv2.merge(eq_channels)
    return eq_image

接下來，將此函數應用於三個不同的影象：原始 BGR 影象、將原始影象的每個畫素值新增 10、將原始影象的每個畫素值減去 10，並計算直方圖均衡前後的直方圖：

# 載入影象
image = cv2.imread('example.png')
# 計算直方圖均衡前後的直方圖
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
# 為影象的每個畫素新增 10
added_image = cv2.add(image, M)
# 直方圖均衡前後的直方圖
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)
# 為影象的每個畫素減去 10
subtracted_image = cv2.subtract(image, M)
# 直方圖均衡前後的直方圖
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)

最後，繪製所有這些影象：

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)
# 視覺化
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'])
# 其他影象的視覺化方法類似，不再贅述
# ...

將直方圖均衡化應用於 BGR 影象的每個通道並不是顏色直方圖均衡化的好方法，這是由於 BGR 色彩空間的加性特性導致彩色影象的顏色變化很大。由於我們獨立地改變三個通道中的亮度和對比度，因此在合併均衡通道時，這可能會導致影象中出現新的色調，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 影象轉換為包含亮度/強度通道的色彩空間( Yuv、Lab、HSV 和 HSL )。然後，只在亮度通道上應用直方圖均衡，最後合併通道並將它們轉換回 BGR 顏色空間，以 HSV 空間為例，建立 equalize_hist_color_hsv() 函數實現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

hist_color = hist_color_img(image)
# 計算直方圖均衡前後的直方圖
image_eq = equalize_hist_color_hsv(image)
hist_image_eq = hist_color_img(image_eq)

M = np.ones(image.shape, dtype="uint8") * 10
# 為影象的每個畫素新增 10
added_image = cv2.add(image, M)
hist_color_added_image = hist_color_img(added_image)
# 直方圖均衡前後的直方圖
added_image_eq = equalize_hist_color_hsv(added_image)
hist_added_image_eq = hist_color_img(added_image_eq)
# 為影象的每個畫素減去 10
subtracted_image = cv2.subtract(image, M)
hist_color_subtracted_image = hist_color_img(subtracted_image)
# 直方圖均衡前後的直方圖
subtracted_image_eq = equalize_hist_color_hsv(subtracted_image)
hist_subtracted_image_eq = hist_color_img(subtracted_image_eq)

最後，繪製所有這些影象：

# show_img_with_matplotlib() 和 show_hist_with_matplotlib_rgb（） 函數與上一範例相同
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'])
# 其他影象的視覺化方法類似，不再贅述
# ...

由上圖可以看出，僅均衡 HSV 影象的 V 通道得到的結果比均衡 BGR 影象的所有通道的效果要好很多，也可以將這種方法用於其他包含亮度/強度通道的色彩空間( Yuv、Lab 和 HSL )。

以上就是Python OpenCV直方圖均衡化詳解的詳細內容，更多關於OpenCV直方圖均衡化的資料請關注it145.com其它相關文章！

Python OpenCV直方圖均衡化詳解

目錄

前言

灰度直方圖均衡化

顏色直方圖均衡化

熱門文章