Python OpenCV直方圖均衡化詳解

更新時(shí)間：2022年02月08日 10:38:54 作者：盼小輝丶

本文中將介紹如何使用OpenCV函數(shù)執(zhí)行直方圖均衡，并將其應(yīng)用于灰度和彩色圖像，以及將亮度歸一化并提高圖像的對(duì)比度。感興趣的小伙伴可以了解一下

前言

圖像處理技術(shù)是計(jì)算機(jī)視覺(jué)項(xiàng)目的核心，通常是計(jì)算機(jī)視覺(jué)項(xiàng)目中的關(guān)鍵工具，可以使用它們來(lái)完成各種計(jì)算機(jī)視覺(jué)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(duì)比度。

灰度直方圖均衡化

使用 cv2.equalizeHist() 函數(shù)來(lái)均衡給定灰度圖像的對(duì)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(duì)原始灰度圖像進(jìn)行修改，為圖像的每個(gè)像素添加/減去 30，并計(jì)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(gè)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(gè)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(gè)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?yàn)橹狈綀D均衡化傾向于標(biāo)準(zhǔn)化圖像的亮度，同時(shí)增加對(duì)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(gè)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(gè)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(gè)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(lái)，將此函數(shù)應(yīng)用于三個(gè)不同的圖像：原始 BGR 圖像、將原始圖像的每個(gè)像素值添加 10、將原始圖像的每個(gè)像素值減去 10，并計(jì)算直方圖均衡前后的直方圖：

# 加載圖像
image = cv2.imread('example.png')
# 計(jì)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(gè)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(gè)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(gè)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€(gè)通道中的亮度和對(duì)比度，因此在合并均衡通道時(shí)，這可能會(huì)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(shí)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

hist_color = hist_color_img(image)
# 計(jì)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(gè)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(gè)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
# ...