OpenCV自适应直方图均衡化
盼小辉丶 人气:2介绍
在《直方图均衡化详解》中,我们已经了解的直方图均衡化的基本概念,并且可以使用 cv2.equalizeHist()
函数执行直方图均衡。
在本节中,将介绍如何应用对比度受限的自适应直方图均衡化 ( Contrast Limited Adaptive Histogram Equalization
, CLAHE
) 来均衡图像,CLAHE
是自适应直方图均衡化( Adaptive Histogram Equalization
, AHE
)的一种变体,区别在于其对比度的增大是受限的。图像相对均匀区域中的噪声被 AHE
过度放大,而 CLAHE
通过限制对比度增大来解决这个问题。该算法通过创建原始图像的多个直方图,并使用这些直方图来重新分配图像的亮度,用于提高图像的对比度。
主要代码
接下来,将 CLAHE
应用于灰度和彩色图像。应用 CLAHE
时,有两个重要参数,第一个是 clipLimit
,它设置对比度限制的阈值,默认值为 40;第二个是 tileGridSize
,它设置行和列中的 tiles
数量。应用 CLAHE
时,图像被分成称为 tiles
(默认为 8 x 8 )的小块以执行其计算。 将 CLAHE 应用于灰度图像,需要使用以下代码:
# 加载图像 image = cv2.imread('example.png') gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 灰度图像应用 CLAHE clahe = cv2.createCLAHE(clipLimit=2.0) gray_image_clahe = clahe.apply(gray_image) # 使用不同 clipLimit 值 clahe.setClipLimit(5.0) gray_image_clahe_2 = clahe.apply(gray_image) clahe.setClipLimit(10.0) gray_image_clahe_3 = clahe.apply(gray_image) clahe.setClipLimit(20.0) gray_image_clahe_4 = clahe.apply(gray_image)
然后,我们将 CLAHE
应用于彩色图像,类似于彩色图像对比度均衡的方法,创建四个函数以仅在不同颜色空间的亮度通道上使用 CLAHE
来均衡化彩色图像:
def equalize_clahe_color_hsv(img): cla = cv2.createCLAHE(clipLimit=4.0) H, S, V = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2HSV)) eq_V = cla.apply(V) eq_image = cv2.cvtColor(cv2.merge([H, S, eq_V]), cv2.COLOR_HSV2BGR) return eq_image def equalize_clahe_color_lab(img): cla = cv2.createCLAHE(clipLimit=4.0) L, a, b = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2Lab)) eq_L = cla.apply(L) eq_image = cv2.cvtColor(cv2.merge([eq_L, a, b]), cv2.COLOR_Lab2BGR) return eq_image def equalize_clahe_color_yuv(img): cla = cv2.createCLAHE(clipLimit=4.0) Y, U, V = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2YUV)) eq_Y = cla.apply(Y) eq_image = cv2.cvtColor(cv2.merge([eq_Y, U, V]), cv2.COLOR_YUV2BGR) return eq_image def equalize_clahe_color(img): cla = cv2.createCLAHE(clipLimit=4.0) channels = cv2.split(img) eq_channels = [] for ch in channels: eq_channels.append(cla.apply(ch)) eq_image = cv2.merge(eq_channels) return eq_image # 彩色图像应用 CLAHE image_clahe_color = equalize_clahe_color(image) image_clahe_color_lab = equalize_clahe_color_lab(image) image_clahe_color_hsv = equalize_clahe_color_hsv(image) image_clahe_color_yuv = equalize_clahe_color_yuv(image) # 可视化 show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "gray", 1) show_img_with_matplotlib(cv2.cvtColor(gray_image_clahe, cv2.COLOR_GRAY2BGR), "gray CLAHE clipLimit=2.0", 2) show_img_with_matplotlib(cv2.cvtColor(gray_image_clahe_2, cv2.COLOR_GRAY2BGR), "gray CLAHE clipLimit=5.0", 3) # 其他图像的可视化方法类似,不再赘述 # ...
将所有这些函数应用于测试图像后比较结果,如下图所示:
在上图中,我们可以看到改变 clipLimit
参数在测试图像上应用 CLAHE 后的不同效果,同时也可以看到在不同颜色空间( LAB、HSV 和 YUV )的亮度通道上应用 CLAHE
后的不同结果。其中,可以看到在 BGR
图像的三个通道上应用 CLAHE
与仅在不同颜色空间的亮度通道上使用 CLAHE
的不同效果。
比较 CLAHE 和直方图均衡化
为了更好地展示 CLAHE
的效果,接下来对比 CLAHE
和直方图均衡化 (cv2.equalizeHist()
) 在同一图像上的效果,同时可视化生成的图像和生成的直方图。
image = cv2.imread('example.png') gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256]) # 直方图均衡化 gray_image_eq = cv2.equalizeHist(gray_image) # 计算直方图 hist_eq = cv2.calcHist([gray_image_eq], [0], None, [256], [0, 256]) # 创建 clahe: clahe = cv2.createCLAHE(clipLimit=4.0) # 在灰度图像上应用 clahe gray_image_clahe = clahe.apply(gray_image) # 计算直方图 hist_clahe = cv2.calcHist([gray_image_clahe], [0], None, [256], [0, 256])
可视化的结果如下图所示:
通过以上对比,可以肯定地说,在许多情况下,CLAHE
比应用直方图均衡化有更好的结果和性能。
加载全部内容