Python OpenCV -- 直方图均衡化(十三)

2024-09-01 05:38

本文主要是介绍Python OpenCV -- 直方图均衡化(十三),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

直方图均衡化

    直方图是图像中像素强度分布的图形表达方式。它统计了每一个强度值所具有的像素个数。

                                              

   直方图均衡化是通过拉伸像素强度分布范围来增强图像对比度的一种方法。

                                            

      通过上图可以看到像素主要集中在中间的一些强度值上。直方图均衡化要做的就是 拉伸 这个范围(绿圈圈出来的部分) 少有像素分布

其上的 强度值,对其应用均衡化后,得到中间图所示的直方图。


原理:

     均衡化指的是把一个分布(给定的直方图)映射 到另一个分布(一个更宽更统一的强度值分布),所以强度值分布会在整个范围内展开。

     要想实现均衡化的效果,映射函数应该是一个 累积分布函数 (cdf),对于直方图  H(i),它的 累积分布 H^{'}(i) 是:

                                                                                   H^{'}(i) = \sum_{0 \le j < i} H(j)

  要使用其作为映射函数,我们必须对最大值为255(或者用图像的最大强度值)的累积分布H^{'}(i) 进行归一化。同上例,累积分布函数为:

                                                                               

    最后我们使用一个简单的映射过程来获得均衡化后像素的强度值:

                                                                        


在 Opencv Python 实现 


1. 拉伸直方图(使用查询表方法)

     先检测图像非0的最低(imin)强度值和最高(强度值)。将最低值 imin 设为0,最高值 imax 设为255.中间值按 255.0 * (i - imin) / (imax - imin) + 0.5)

的形式设置。

   示例(这是使用sunny2038 提供的示例代码):

#!/usr/bin/env python  
# encoding: utf-8  
import cv2  
import numpy as np image = cv2.imread("113.jpg", 0)  
lut = np.zeros(256, dtype = image.dtype )#创建空的查找表  
hist= cv2.calcHist([image], #计算图像的直方图  [0], #使用的通道  None, #没有使用mask  [256], #it is a 1D histogram  [0.0,255.0])  minBinNo, maxBinNo = 0, 255  #计算从左起第一个不为0的直方图柱的位置  
for binNo, binValue in enumerate(hist):  if binValue != 0:  minBinNo = binNo  break  
#计算从右起第一个不为0的直方图柱的位置  
for binNo, binValue in enumerate(reversed(hist)):  if binValue != 0:  maxBinNo = 255-binNo  break  
print minBinNo, maxBinNo  #生成查找表
for i,v in enumerate(lut):  print i  if i < minBinNo:  lut[i] = 0  elif i > maxBinNo:  lut[i] = 255  else:  lut[i] = int(255.0*(i-minBinNo)/(maxBinNo-minBinNo)+0.5)  #计算,调用OpenCV cv2.LUT函数,参数 image --  输入图像,lut -- 查找表 
result = cv2.LUT(image, lut)  
cv2.imshow("Result", result)  
cv2.imwrite("LutImage.jpg", result)  
cv2.waitKey(0)  
cv2.destroyAllWindows()  

效果图(左边是原图)



2.Python Numpy直方图均衡化

     示例(示例代码使用 sunny2038 博客提供的)

#!/usr/bin/env python  
# encoding: utf-8  
import cv2  
import numpy as np image = cv2.imread("113.jpg", 0)  lut = np.zeros(256, dtype = image.dtype )#创建空的查找表  hist,bins = np.histogram(image.flatten(),256,[0,256])   
cdf = hist.cumsum() #计算累积直方图  
cdf_m = np.ma.masked_equal(cdf,0) #除去直方图中的0值  
cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())#等同于前面介绍的lut[i] = int(255.0 *p[i])公式  
cdf = np.ma.filled(cdf_m,0).astype('uint8') #将掩模处理掉的元素补为0  #计算  
result2 = cdf[image]  
result = cv2.LUT(image, cdf)  cv2.imshow("OpenCVLUT", result)  
cv2.imshow("NumPyLUT", result2)  
cv2.waitKey(0)  
cv2.destroyAllWindows()  

效果图:




本文参考和转载:

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/histograms/histogram_equalization/histogram_equalization.html#histogram-equalization

http://blog.csdn.net/sunny2038/article/details/9403059

这篇关于Python OpenCV -- 直方图均衡化(十三)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1126092

相关文章

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

nudepy,一个有趣的 Python 库!

更多资料获取 📚 个人网站:ipengtao.com 大家好,今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址:https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中,检测图像中的不适当内容(例如裸露图像)是一个重要的任务。nudepy 是一个基于 Python 的库,专门用于检测图像中的不适当内容。该

opencv 滚动条

参数介绍:createTrackbar( trackbarname , "hello" , &alpha_slider ,alpha_max ,  on_trackbar )  ;在标签中显示的文字(提示滑动条的用途) TrackbarName创建的滑动条要放置窗体的名字 “hello”滑动条的取值范围从 0 到 alpha_max (最小值只能为 zero).滑动后的值存放在

android-opencv-jni

//------------------start opencv--------------------@Override public void onResume(){ super.onResume(); //通过OpenCV引擎服务加载并初始化OpenCV类库,所谓OpenCV引擎服务即是 //OpenCV_2.4.3.2_Manager_2.4_*.apk程序包,存

pip-tools:打造可重复、可控的 Python 开发环境,解决依赖关系,让代码更稳定

在 Python 开发中,管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等,都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools? pip-tools 是一组命令行工具,旨在简化 Python 依赖关系的管理,确保项目环境的稳定性和可重复性。它主要包含两个核心工具:pip-compile 和 pip

HTML提交表单给python

python 代码 from flask import Flask, request, render_template, redirect, url_forapp = Flask(__name__)@app.route('/')def form():# 渲染表单页面return render_template('./index.html')@app.route('/submit_form',