各位大家好,我是灿视,今天是一篇传统图像处理,直方图均衡~
做人,有时候像图像一样,只有均衡了,才能更好发展!
看文章之前,别忘了关注我们,在我们这里,有你所需要的干货哦!
直方图均衡化,可以对在不同的光线条件下拍摄不同的图片进行均衡化处理,使得这些图片具有大致相同的光照条件。因此,我们可以用在训练模型之前,对图像进行对预处理。
首先,我们看下面的图像:
左列为原图,我们在观看的时候,感受很差。为什么很差呢?因为前景(关键区域)与背景太相似,无法很好的得到前景的信息。这就是表明,这些图像的对比度小,视觉体验很差。
其中,对比度是由两个相邻区域的亮度差异产生的。
对比度是使一个物体与其他物体区别开来的视觉特性上的差异。在视觉感知中,对比度是由物体与其他物体的颜色和亮度差异决定的,而我们的视觉系统对对比度比对绝对亮度更敏感。那么,如何量化一个图像中的对比度呢?我们先了解下直方图, 如右图。
通过直方图我们可以看到各个灰度级的像素个数,即像素的分布情况。如果图像的大部分的像素都集中在直方图的某个范围,就表示图像中的大部分像素的灰度值差别很小,无法很好地进行分辨图像中的物体。
如原图像的像素值介于
~
之间(对比度是
)现将其映射到整个区域的输出图像到
~
(对比度是
),由此可见,对比度得到了很大的提升。
图像的直方图:反应图像强度分布的总体概念。宽泛的来说直方图给出了图像对比度、亮度和强度分布信息。其中,强度就是一幅图像的像素取值,如
。
其中,公式表示如下:
其中,
是图像中灰度级为
的像素个数。
是第
个灰度级,
。由于
的增量是
,直方图可以表示为
。即,图像中不同灰度级像素出现的次数。
概括来说,直方图就是横坐标表示成像素值,纵坐标表示各个像素值的个数的图。
直方图举例
若一幅图像的像素倾向于占据整个可能的灰度级并且分布均匀,则该图像有较高的对比度并且图像展示效果会相对好,于是便引出图像直方图均衡化,对图像会有很强的增强效果。
先了解直方图归一化的概念,公式为:
是图像的像素总数(如一幅
的图像,像素总数就是
)。
是图像中灰度级为
的像素个数
是第
个灰度级,
因此,该函数主要有以下几个特性:
在图像中出现的概率密度统计。
直方图均衡化是建立在直方图归一化的基础之上。直方图均衡化的公式如下所示:
注:
是图像中像素的总和
是当前灰度级的像素个数
是图像中可能的灰度级总数
其中,直方图均衡化是采用的灰度级变换:
,目的是欲将原始图的直方图变换为均匀分布的形式,这样就增加了像素灰度值的动态范围,从而达到增强图像整体对比度的效果。
代码如下:
import cv2
import numpy as np
import matplotlib.pyplot as plt
if __name__ == "__main__":
# 读取图像并转换为灰度图
img = cv2.imread(r'./imgs/boy.png')
# 图像的灰度级范围是0~255
# grayHist = cv2.calcHist([img], [0], None, [256], [0, 256])
(b, g, r) = cv2.split(img)
bH = cv2.equalizeHist(b)
gH = cv2.equalizeHist(g)
rH = cv2.equalizeHist(r)
# 合并每一个通道
result = cv2.merge((bH, gH, rH))
res = np.hstack((img, result))
cv2.imshow("dst", res)
cv2.waitKey(0)
直方图均衡化举例
其中关于像素的统计量如下:
直方图统计对比
目前,基本的图像直方图均衡已经说完了,但是如果我们仔细看上图,会发现均衡化处理后对比度大大增强了,但是这个boy好像有点太亮了,这是因为这个直方图均衡化操作是对全局进行均衡化,直方图覆盖的范围太大,反而会丢失boy的一些信息。
因此,明天我们会继续沿着直方图均衡引入自适应直方图均衡化(AHE) 以及 限制对比度自适应直方图均衡化(CLAHE) 等直方图均衡化算法。
- END -
大家好,我是灿视。目前是位算法工程师 + 创业者 + 奶爸的时间管理者!
我曾在19,20年联合了各大厂面试官,连续推出两版《百面计算机视觉》,受到了广泛好评,帮助了数百位同学们斩获了BAT等大小厂算法Offer。现在,我们继续出发,持续更新最强算法面经。
我曾经花了4个月,跨专业从双非上岸华五软工硕士,也从不会编程到进入到百度与腾讯实习。