正文
灰度直方图均衡化----python实现
小程序:扫一扫查出行
【扫一扫了解最新限行尾号】
复制小程序
【扫一扫了解最新限行尾号】
复制小程序
直方图均衡化是使用图像直方图进行对比度调整的图像处理的方法。
该方法通常会增加许多图像的整体对比度,尤其是当图像的可用数据由接近的对比度值表示时。 通过这种调整,强度可以更好地分布在直方图上。 这允许局部对比度较低的区域获得较高的对比度。 直方图均衡化通过有效地分散最频繁的强度值来实现这一点。
实现原理参考自直方图均衡(维基百科)
第一种是自己写的,消耗时间长。第二种参考自opencv-python的直方图均衡
import cv2
import numpy as np def equalizationByLoop(img):
a, b = img.shape
flatten = np.reshape(img, [-1, ])
img_list = flatten.tolist() # 获取出现的灰度值
img_set = np.unique(img)
img_set = np.sort(img_set) # 获取灰度值出现次数
cdf = []
for i in img_set:
cdf.append(img_list.count(i))
cdf = np.array(cdf) # 累积分布函数和计算均衡化
cdf = np.cumsum(cdf)
cdf_min = np.min(cdf)
cdf = (cdf-cdf_min)/(len(img_list)-cdf_min)*255 # 获取新图像
for x in range(a):
for y in range(b):
index = np.argwhere(img_set == img[x][y])
img[x][y] = cdf[index]
return img def equalizationByNumpy(img):
hist, bins = np.histogram(img.flatten(), 256, [0, 256])
# hist是亮度值出现次数的统计
cdf = hist.cumsum()
# cdf是出现次数的累积分布函数
# 如果高灰度值没有次数,但累计分布函数会把它加入。但最后在索引生成新图像时舍去 # 均衡化处理
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') # 生成新图像
img2 = cdf[img] return img2 def main():
img = cv2.imread('leno.jpg', cv2.IMREAD_GRAYSCALE)
new_img = np.copy(img)
# 处理时间长
# new_img = equalizationByLoop(new_img)
new_img = equalizationByNumpy(new_img)
cv2.imshow('img', img)
cv2.imshow('new img', new_img)
cv2.waitKey(0)
cv2.destroyAllWindows() if __name__ == '__main__':
main()