点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达

我们已经练习了很多图像处理——操作图像（精确地说是图像矩阵）。为此，我们探索了图像的均衡方法，以便在一定程度上增强对比度，以使被处理的图像看起来比原始图像更好，这种技术称为直方图均衡化。
通常，发生的情况是在捕获图像时，它与自然视图并不相同。为了满足自然视图的水平，应进行后处理。因此，直方图均衡化（归一化）是通过调整图像的像素值来增强对比度的技术之一。
可以在下面看到一个示例：原始图像和均等图像。
如果我们要绘制图像直方图，它将看起来像下面的样子：
直方图均衡化的重要性
  1. 该方法对于亮和暗图像都效果更好，特别是在医学领域中，分析X射线图像的重要性更高。
  2. 在查看科学图像（例如热图像和卫星图像）时也非常有用。
执行步骤
在本文中，我们将通过使用openCV库以及使用justNumPy和从头开始实现此方法Matplotlib。尽管我们想不使用来做NumPy，但要花很多时间才能计算出来。
添加依赖库
import numpy as npimport cv2import jsonfrom matplotlib import pyplot as plt
读取图像
def read_this(image_file, gray_scale=False):image_src = cv2.imread(image_file)if gray_scale:image_src = cv2.cvtColor(image_src, cv2.COLOR_BGR2GRAY)else:image_src = cv2.cvtColor(image_src, cv2.COLOR_BGR2RGB)return image_src
上面的函数读取gray_scale或中的图像，RGB然后返回图像矩阵。
用库实现代码
为了均衡，我们可以简单地使用equalizeHist()库中可用的方法cv2。
1.读入图像时RGB。
  • 根据颜色组合分离像素。我们可以使用split()库中可用的方法cv2。
  • 对每个矩阵应用均衡方法。
  • 将均衡的图像矩阵与merge()库中可用的方法合并在一起cv2。
2.读入图像时gray_scale。
3.绘制原始图像和均衡图像。
def equalize_this(image_file, with_plot=False, gray_scale=False):image_src = read_this(image_file=image_file, gray_scale=gray_scale)if not gray_scale:r_image, g_image, b_image = cv2.split(image_src)r_image_eq = cv2.equalizeHist(r_image)g_image_eq = cv2.equalizeHist(g_image)b_image_eq = cv2.equalizeHist(b_image)image_eq = cv2.merge((r_image_eq, g_image_eq, b_image_eq))cmap_val = Noneelse:image_eq = cv2.equalizeHist(image_src)cmap_val = 'gray'if with_plot:fig = plt.figure(figsize=(10, 20))ax1 = fig.add_subplot(2, 2, 1)ax1.axis("off")ax1.title.set_text('Original')ax2 = fig.add_subplot(2, 2, 2)ax2.axis("off")ax2.title.set_text("Equalized")ax1.imshow(image_src, cmap=cmap_val)ax2.imshow(image_eq, cmap=cmap_val)return Truereturn image_eq
代码测试
equalize_this(image_file='lena_original.png', with_plot=True)
equalize_this（image_file = 'lena_original.png'，with_plot = True，gray_scale = True）
实现代码
为此，我们正在使用NumPy所有矩阵运算。同样，我们可以使用for循环来执行此操作，但是它将花费更多的时间进行计算。即使在这里，我们也有两个方面：
1.读入图像时RGB。
  • 根据颜色组合分离像素。我们可以使用NumPy操作将其切细。
  • 对每个矩阵应用均衡方法。
  • 将均衡的图像矩阵与dstack(tup=())库中可用的方法合并在一起NumPy。
2.读入图像时gray_scale。
3.绘制原始图像和均衡图像。
让我们编写我们自己的函数来计算图像均衡，图像像素值通常在0到255之间。因此，总共有256个像素。
def enhance_contrast(image_matrix, bins=256):image_flattened = image_matrix.flatten()image_hist = np.zeros(bins) # frequency count of each pixelfor pix in image_matrix:image_hist[pix] += 1 # cummulative sumcum_sum = np.cumsum(image_hist)norm = (cum_sum - cum_sum.min()) * 255 # normalization of the pixel valuesn_ = cum_sum.max() - cum_sum.min()uniform_norm = norm / n_uniform_norm = uniform_norm.astype('int') # flat histogramimage_eq = uniform_norm[image_flattened] # reshaping the flattened matrix to its original shapeimage_eq = np.reshape(a=image_eq, newshape=image_matrix.shape)return image_eq
当将原始图像矩阵作为参数传递时，上述函数将返回一个均衡的图像矩阵。
让我们编写另一个函数，该函数为RGB图像和gray_scale使用上述功能的图像计算均衡。
defequalize_this(image_file, with_plot=False, gray_scale=False, bins=256):image_src = read_this(image_file=image_file, gray_scale=gray_scale)ifnot gray_scale:r_image = image_src[:, :, 0]g_image = image_src[:, :, 1]b_image = image_src[:, :, 2]r_image_eq = enhance_contrast(image_matrix=r_image)g_image_eq = enhance_contrast(image_matrix=g_image)b_image_eq = enhance_contrast(image_matrix=b_image)image_eq = np.dstack(tup=(r_image_eq, g_image_eq, b_image_eq))cmap_val = Noneelse:image_eq = enhance_contrast(image_matrix=image_src)cmap_val = 'gray'ifwith_plot:fig = plt.figure(figsize=(10, 20))ax1 = fig.add_subplot(2, 2, 1)ax1.axis("off")ax1.title.set_text('Original')ax2 = fig.add_subplot(2, 2, 2)ax2.axis("off")ax2.title.set_text("Equalized")ax1.imshow(image_src,cmap=cmap_val)ax2.imshow(image_eq,cmap=cmap_val)returnTruereturnimage_eq
代码测试
equalize_this(image_file='lena_original.png', with_plot=True)
equalize_this(image_file='lena_original.png', with_plot=True, gray_scale=True)
总结
  • 我们探索和实施不同的方法来增加图像强度，从而学到了很多东西。特别是，尝试通过引用和学习从头实现代码。
  • 使用库方法始终是一件好事，因为它们似乎更加优化并且可以100％工作。
  • 图像处理是一门非常重要的学科，确实值得尝试，要有很多好奇心和自己的探索。
好消息！ 
小白学视觉知识星球
开始面向外开放啦👇👇👇
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
继续阅读
阅读原文