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