詳解python OpenCV學習筆記之長條圖均衡化,pythonopencv

來源:互聯網
上載者:User

詳解python OpenCV學習筆記之長條圖均衡化,pythonopencv

本文介紹了python OpenCV學習筆記之長條圖均衡化,分享給大家,具體如下:

官方文檔 – https://docs.opencv.org/3.4.0/d5/daf/tutorial_py_histogram_equalization.html

考慮一個映像,其像素值僅限制在特定的值範圍內。例如,更明亮的映像將使所有像素都限制在高值中。但是一個好的映像會有來自映像的所有地區的像素。所以你需要把這個長條圖展開到兩端(如所給出的),這就是長條圖均衡的作用(用簡單的話說)。這通常會改善映像的對比。

 

建議閱讀關於長條圖均衡的wikipedia頁面Histogram Equalization,瞭解更多有關它的詳細資料。它給出了一個很好的解釋,給出了一些例子,這樣你就能在讀完之後理解所有的東西。同樣,我們將看到它的Numpy實現。之後,我們將看到OpenCV函數。

import numpy as npimport cv2 as cvfrom matplotlib import pyplot as pltimg = cv.imread('wiki.jpg', 0)hist, bins = np.histogram(img.flatten(), 256, [0,256])cdf = hist.cumsum()cdf_normalized = cdf*float(hist.max())/cdf.max()plt.plot(cdf_normalized, color = 'b')plt.hist(img.flatten(),256,[0,256], color = 'r')plt.xlim([0,256])plt.legend(('cdf','histogram'), loc = 'upper left')plt.show()

你可以看到,長條圖位於更亮的地區。我們需要完整的頻譜。為此,我們需要一個轉換函式,它將更亮地區的輸入像素映射到全地區的輸出像素。這就是長條圖均衡所做的。

現在我們找到了最小的長條圖值(不包括0),並應用了在wiki頁面中給出的長條圖均衡等式。但我用在Numpy的遮罩數組的概念數組上。對於遮罩數組,所有操作都是在非遮罩元素上執行的。

cdf_m = np.ma.masked_equal(cdf, 0)cdf_m = (cdf_m-cdf_m.min()) * 255 / (cdf_m.max()-cdf_m.min())cdf = np.ma.filled(cdf_m, 0).astype('uint8')

現在我們有了一個尋找表,它提供了關於每個輸入像素值的輸出像素值的資訊。所以我們只要應用變換。

img2 = cdf[img]

現在我們計算它的長條圖和cdf,就像之前一樣,結果如下:

另一個重要的特徵是,即使映像是一個較暗的映像(而不是我們使用的更亮的映像),在均衡之後,我們將得到幾乎相同的映像。因此,它被用作一種“參考工具”,使所有的映像都具有相同的光照條件。這在很多情況下都很有用。例如,在Face Service中,在對人臉資料進行訓練之前,人臉的映像是均勻的,使它們具有相同的光照條件。

OpenCV中的長條圖均衡化

OpenCV有一個函數可以這樣做,cv.equalizeHist()。它的輸入只是灰階映像,輸出是我們的長條圖均衡映像。

img = cv.imread('wiki,jpg', 0)equ = cv.equalizeHist(img)res = np.hstack((img, equ)) # 並排疊加圖片cv.imwrite('res.png', res)

所以現在你可以用不同的光條件來拍攝不同的映像,平衡它,並檢查結果。

當映像的長條圖被限制在一個特定的地區時,長條圖均衡是很好的。在那些有很大強度變化的地方,長條圖覆蓋了一個大地區,比如明亮的和暗的像素,這樣的地方就不好用了。

CLAHE(對比有限的自適應長條圖均衡/Contrast Limited Adaptive Histogram Equalization)

我們剛剛看到的第一個長條圖均衡化,考慮到映像的全域對比。在很多情況下,這不是一個好主意。例如,顯示了一個輸入映像及其在全域長條圖均衡之後的結果。

在長條圖均衡化之後,背景對比得到了改善。但是比較兩幅映像中的雕像的臉。由於亮度過高,我們丟失了大部分的資訊。這是因為它的長條圖並不局限於一個特定的地區,就像我們在前面的例子中看到的那樣。

為瞭解決這個問題,可以使用了自適應長條圖均衡。在這一點上,映像被劃分為幾個小塊,稱為“tiles”(在OpenCV中預設值是8x8)。然後每一個方塊都是像平常一樣的長條圖。因此,長條圖會限制在一個小地區(除非有雜訊)。如果噪音在那裡,它就會被放大。為了避免這種情況,會應用對比限制。如果任何長條圖bin超出指定的對比限制(預設情況下是40),在應用長條圖均衡之前,這些像素被裁剪並均勻地分布到其他bin。均衡後,刪除邊界中的工件,採用雙線性插值。

cv.createCLAHE([, clipLimit[, tileGridSize]])

import numpy as npimport cv2 as cvimg = cv.imread('tsukuba_1.png', 0)# create a CLAHE object (Arguments are optional).clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))cl1 = clahe.apply(img)cv.imread('clahe_2.jpg', cl1)

以上就是本文的全部內容,希望對大家的學習有所協助,也希望大家多多支援幫客之家。

聯繫我們

該頁面正文內容均來源於網絡整理,並不代表阿里雲官方的觀點,該頁面所提到的產品和服務也與阿里云無關,如果該頁面內容對您造成了困擾,歡迎寫郵件給我們,收到郵件我們將在5個工作日內處理。

如果您發現本社區中有涉嫌抄襲的內容,歡迎發送郵件至: info-contact@alibabacloud.com 進行舉報並提供相關證據,工作人員會在 5 個工作天內聯絡您,一經查實,本站將立刻刪除涉嫌侵權內容。

A Free Trial That Lets You Build Big!

Start building with 50+ products and up to 12 months usage for Elastic Compute Service

  • Sales Support

    1 on 1 presale consultation

  • After-Sales Support

    24/7 Technical Support 6 Free Tickets per Quarter Faster Response

  • Alibaba Cloud offers highly flexible support services tailored to meet your exact needs.