展开

关键词

基于直方图的图像增强算法(HE、CLAHE、Retinex)之(一)

分别处理R、G、B三个分量之结果                                            转换到HSV空间后处理V分量 这是本系列文章的第一篇,在下一篇文章中我们将要讨论CLAHE

2.9K10

图像增强 | CLAHE 限制对比度自适应直方图均衡化

1 基本概述 CLAHE是一个比较有意思的图像增强的方法,主要用在医学图像上面。之前的比赛中,用到了这个,但是对其算法原理不甚了解。在这里做一个复盘。 CLAHE起到的作用简单来说就是增强图像的对比度的同时可以抑制噪声 CLAHE的英文是Contrast Limited Adaptive Histogram Equalization 限制对比度的自适应直方图均衡 本文中会介绍一下albumentations库函数实现CLAHE的代码,然后再用openCV实现。 本文主要讲解的就是CLAHE这个直方图均衡化的算法。 【openCV实现CLAHE】 img = cv2.imread(r'E:\dog.jpg', 0) # create a CLAHE object clahe = cv2.createCLAHE(clipLimit

4.6K51
  • 广告
    关闭

    什么是世界上最好的编程语言?丨云托管征文活动

    代金券、腾讯视频VIP、QQ音乐VIP、QB、公仔等奖励等你来拿!

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    opencv学习笔记--直方图的均值化

    Opencv中将这种方法称之为CLAHE,使用到的函数就是cv2.createCLAHE(),一个实例如下:           createCLAHE([, clipLimit[, tileGridSize cv.imshow("equal", dst) def myequal(image): gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) clahe = cv.createCLAHE(clipLimit=5.0, tileGridSize=(8, 8)) dst = clahe.apply(gray) cv.imshow("myequal

    3.6K10

    限制对比度自适应直方图均衡化算法原理、实现及效果

    不过,AHE有过度放大图像中相同区域的噪音的问题,另外一种自适应的直方图均衡算法即限制对比度直方图均衡(CLAHE)算法能有限的限制这种不利的放大。 2. 二、限制对比度自适应直方图均衡(Contrast Limited Adaptive histgram equalization/CLAHE)   1.简述 CLAHE同普通的自适应直方图均衡不同的地方主要是其对比度限幅 在CLAHE中,对于每个小区域都必须使用对比度限幅。CLAHE主要是用来克服AHE的过度放大噪音的问题。 这主要是通过限制AHE算法的对比提高程度来达到的。 CLAHE通过在计算CDF前用预先定义的阈值来裁剪直方图以达到限制放大幅度的目的。这限制了CDF的斜度因此,也限制了变换函数的斜度。 CLAHE算法很多时候比直接的直方图均衡化算法的效果要好很多,比如: ? ? ?

    2.5K30

    Histogram 直方图

    img = cv2.imread(‘a.jpeg’,0) equ = cv2.equalizeHist(img) cv2.imwrite('res.png',res) Millmpho40.png CLAHE = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) cl1 = clahe.apply(img) cv2.imwrite('clahe_2.jpeg ',cl1) Pasted Graphic 4.png CLAHE同普通的自适应直方图均衡不同的地方主要是其对比度限幅。 在CLAHE中,对于每个小区域都必须使用对比度限幅。CLAHE主要是用来克服AHE的过度放大噪音的问题。 这主要是通过限制AHE算法的对比提高程度来达到的。 CLAHE通过在计算CDF前用预先定义的阈值来裁剪直方图以达到限制放大幅度的目的。这限制了CDF的斜度因此,也限制了变换函数的斜度。

    27200

    用OpenCV计算道路交通流量的一个直观教程

    save_image def calculate_capacity(self, frame, frame_number): base_frame= frame # CLAHE for noise reduction at night time frame= cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY) clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) cl1= clahe.apply(frame) # getting Capacity: {}%".format(capacity*100)) context['capacity']= capacity return context 边缘 使用CLAHE 更多信息:CLAHE:http://docs.opencv.org/3.1.0/d5/daf/tutorial_py_histogram_equalization.html Canny边缘检测器:http

    71570

    使用OpenCV实现图像增强

    灰度直方图均衡 让我们进一步深入了解CLAHE 步骤7: 对比度有限的自适应直方图均衡 该算法可以用于改善图像的对比度。该算法通过创建图像的多个直方图来工作,并使用所有这些直方图重新分配图像的亮度。 CLAHE可以应用于灰度图像和彩色图像。有2个参数需要调整。 1. 限幅设置了对比度限制的阈值。默认值为40 2. tileGridsize设置行和列中标题的数量。 在应用CLAHE时,为了执行计算,图像被分为称为图块(8 * 8)的小块。 clahe=cv2.createCLAHE(clipLimit=40) gray_img_clahe=clahe.apply(gray_img_eqhist) gray_img1_clahe=clahe.apply (gray_img1_eqhist) images=np.concatenate((gray_img_clahe,gray_img1_clahe),axis=1) cv2.imshow("Images"

    65240

    图像处理-图像增-自适应直方图均衡化(AHE)、限制对比度自适应直方图均衡(CLAHE

    图像增强—自适应直方图均衡化(AHE)-限制对比度自适应直方图均衡(CLAHE) 一、自适应直方图均衡化(Adaptive histgram equalization/AHE) 1.简述 自适应直方图均衡化 不过,AHE有过度放大图像中相同区域的噪音的问题,另外一种自适应的直方图均衡算法即限制对比度直方图均衡(CLAHE)算法能有限的限制这种不利的放大。 2. 二、限制对比度自适应直方图均衡(Contrast Limited Adaptive histgram equalization/CLAHE) 1.简述 CLAHE同普通的自适应直方图均衡不同的地方主要是其对比度限幅 在CLAHE中,对于每个小区域都必须使用对比度限幅。CLAHE主要是用来克服AHE的过度放大噪音的问题。 这主要是通过限制AHE算法的对比提高程度来达到的。 CLAHE通过在计算CDF前用预先定义的阈值来裁剪直方图以达到限制放大幅度的目的。这限制了CDF的斜度因此,也限制了变换函数的斜度。

    47010

    Python的Albumentations库

    pyplot as plt from albumentations import ( HorizontalFlip, IAAPerspective, ShiftScaleRotate, CLAHE albumentations import ( RandomRotate90, Transpose, ShiftScaleRotate, Blur, OpticalDistortion, CLAHE A.RandomBrightness(p=1), A.RandomContrast(p=1), A.RandomGamma(p=1), # A.RGBShift(), A.CLAHE (p=1), # A.ToGray(), # A.HueSaturationValue(), ], p=1) medium = A.Compose([ A.CLAHE(p=1) 600, 600), A.RGBShift(p=1), A.Blur(blur_limit=11, p=1), A.RandomBrightness(p=1), A.CLAHE

    45320

    算法集锦(20) | 自动驾驶 | 交通标志识别算法

    由于我们的一些图像存在低对比度(模糊、暗),我们将通过应用OpenCV的对比度限制自适应直方图均衡化(CLAHE)函数来提高其可见性。 Training EdLeNet_Grayscale_CLAHE_Norm_Take-2_3x3_Dropout_0.50 [epochs=500, batch_size=512]... [1] /models/EdLeNet_Grayscale_CLAHE_Norm_Take-2_3x3_Dropout_0.50.chkpt saved [EdLeNet_Grayscale_CLAHE_Norm_Take /models/EdLeNet_Augs_Grayscale_CLAHE_Norm_Take4_Bis_3x3_Dropout_0.50.chkpt saved [EdLeNet_Augs_Grayscale_CLAHE_Norm_Take4 第四个有阳光反射) 在不同的方向(第三个是倾斜的) 有不同的背景 最后一张图片实际上是一个设计,而不是一张真实的图片,我们想要根据它来测试模型 一些图像的表示信息不全 我们采取的第一步是对这些新图像应用相同的CLAHE

    1.6K10

    CV学习笔记(十):直方图

    cv.namedWindow("eaualHist_demo", cv.WINDOW_NORMAL) cv.imshow("eaualHist_demo", dst) #局部直方图均衡化 def clahe_demo (image): gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY) clahe = cv.createCLAHE(5, (8,8)) dst = clahe.apply(gray) cv.namedWindow("clahe_demo", cv.WINDOW_NORMAL) cv.imshow("clahe_demo", dst ) src = cv.imread('1.png') eaualHist_demo(src) clahe_demo(src) cv.waitKey(0) cv.destroyAllWindows(

    35000

    OpenCV系列之直方图-2:直方图均衡 | 二十七

    CLAHE(对比度受限的自适应直方图均衡) 我们刚刚看到的第一个直方图均衡化考虑了图像的整体对比度。在许多情况下,这不是一个好主意。例如,下图显示了输入图像及其在全局直方图均衡后的结果。 ? 下面的代码片段显示了如何在OpenCV中应用CLAHE: import numpy as np import cv2 as cv img = cv.imread('tsukuba_l.png',0) # create a CLAHE object (Arguments are optional). clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=( 8,8)) cl1 = clahe.apply(img) cv.imwrite('clahe_2.jpg',cl1) 查看下面的结果,并将其与上面的结果进行比较,尤其是雕像区域: ?

    24910

    最快最好用的图像处理库:albumentations库的简单了解和使用

    albumentations.RandomBrightnessContrast(brightness_limit=0.2, contrast_limit=0.2, p=0.9), albumentations.CLAHE ]) 其实看起来也不是非常的难理解: Resize就是拉伸图片修改尺寸 RandomGamma就是使用gamma变换 RandomBrightnessContrast就是随机选择图片的对比度和亮度 CLAHE [ albu.RandomBrightness(p=1), albu.RandomContrast(p=1), albu.RandomGamma(p=1), albu.CLAHE (p=1), ],p=1) medium = albu.Compose([ albu.CLAHE(p=1), albu.HueSaturationValue(hue_shift_limit

    5.1K20

    如何应用Python处理医学影像学中的DICOM信息

    采用CLAHE (Contrast Limited Adaptive Histogram Equalization)技术来优化图像。 def limitedEqualize(img_array, limit = 4.0): img_array_list = [] for img in img_array: clahe = cv2.createCLAHE(clipLimit = limit, tileGridSize = (8,8)) img_array_list.append(clahe.apply(

    2.1K60

    干货|如何做准确率达98%的交通标志识别系统?

    Training EdLeNet_Grayscale_CLAHE_Norm_Take-2_3x3_Dropout_0.50 [epochs=500, batch_size=512]...[1] total /models/EdLeNet_Grayscale_CLAHE_Norm_Take-2_3x3_Dropout_0.50.chkpt saved [EdLeNet_Grayscale_CLAHE_Norm_Take conv layers=3, conv filter size=3, conv start depth=32, fc layers=2]Training EdLeNet_Augs_Grayscale_CLAHE_Norm_Take4 /models/EdLeNet_Augs_Grayscale_CLAHE_Norm_Take4_Bis_3x3_Dropout_0.50.chkpt saved [EdLeNet_Augs_Grayscale_CLAHE_Norm_Take4

    1.3K71

    Python opencv图像处理基础总结(三) 图像直方图 直方图应用 直方图反向投影

    clache_demo(image): # 局部直方图均衡化 基于灰度图像 局部增强对比度 gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(10, 10)) dst = clahe.apply(gray) # 将clahe这种局部直方图均衡化应用到灰度图 gray cv.imshow('clahe_image', dst) src = cv.imread(r'.

    5110

    python实现gabor滤波器提取纹理特征 提取指静脉纹理特征 指静脉切割代码

    #将手指边缘的高度加上四分之三原始高度 pCol = w[:,p0:p0 + 1] pColInv = pCol[::-1] clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) #构建一个有限对比适应性直方图均衡化器 w1_2 = clahe.apply getRoiHCut2(w1_2, p0) res = cv2.resize(w2, (270, 150), interpolation=cv2.INTER_CUBIC) return clahe.apply

    1.5K50

    局部自适应自动色阶对比度算法在图像增强上的应用。

    在限制对比度自适应直方图均衡化算法原理、实现及效果一文中针对全局直方图均衡化的一些缺点,提出了分块的自适应均衡化技术,很好的克服了全局直方图均衡化的一些缺点,对于图像增强也有着显著的作用,我们稍微回顾下CLAHE 从本质上讲,这三个算法同直方图均衡化一样,在内部也是一个直方图重新分布和像素重新映射的过程,因此,如果把这里的MakeMapping函数总映射过程替换他们三者中的某一种会是什么情况和效果呢, 这其实是了解了CLAHE ; I++) Histgram[I]=MaxB; // 必须有,不然会有一些图像平坦的部位效果出错 } }   注意在这个函数里我增加了CutLimit参数,这个参数名和CLAHE 的一样,实际上是因为自动色阶这种工作方式,就是对直方图的一种裁剪,因此CLAHE算法的ClipHistGram过程就可以舍去了,而把CutLimit作为自动色阶的一个调节参数也是顺其自然的一个事情了。 把上述代码替换掉CLAHE算法中相应的部分,保持插值等代码不动,可获得如下效果: ?

    1.6K90

    15: 直方图

    当然,如果有噪点的话,噪点会被放大,需要对小区域内的对比度进行了限制,所以这个算法全称叫:对比度受限的自适应直方图均衡化CLAHE(Contrast Limited Adaptive Histogram # 自适应均衡化,参数可选 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) cl1 = clahe.apply(img)Copy

    14720

    python实现gabor滤波器提取纹理特征 提取指静脉纹理特征 指静脉切割代码

    #将手指边缘的高度加上四分之三原始高度 pCol = w[:,p0:p0 + 1] pColInv = pCol[::-1] clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) #构建一个有限对比适应性直方图均衡化器 w1_2 = clahe.apply getRoiHCut2(w1_2, p0) res = cv2.resize(w2, (270, 150), interpolation=cv2.INTER_CUBIC) return clahe.apply

    1.6K50

    相关产品

    • 云+校园特惠套餐

      校园优惠套餐升级,云服务器1核2G10元/月起购

    相关资讯

    热门标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      扫码关注云+社区

      领取腾讯云代金券