OpenCV-python-03之createCLAHE生成自适应均衡化图像

最新推荐文章于 2024-12-05 15:20:39 发布
原创 最新推荐文章于 2024-12-05 15:20:39 发布 · 7.2k 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#opencv #python

本文介绍了OpenCV中createCLAHE方法用于实现自适应直方图均衡化的图像处理技术，相较于全局均衡化equalizeHist，createCLAHE通过分块局部优化能更好地保留图像细节，例如在雕像轮廓的呈现上效果更优。

1、说明
equalizeHist这种全局的均衡化也会存在一些问题，由于整体亮度的提升，也会使得局部图像的细节变得模糊，因为我们需要进行分块的局部均衡化操作。如creatCLAHE

2、代码

import cv2

img = cv2.imread('8.jpg', 0)
cv2.imshow("src", img)

# 直方图均衡化
dst1 = cv2.equalizeHist(img)
cv2.imshow
最低0.47元/天 解锁文章
54-OpenCVSharp —-Cv2.CreateCLAHE() 函数功能（自适应对比度限制直方图均衡化）详解
weixin_45590420的博客
11-25 2422
CLAHE的优势在于它结合了局部直方图均衡化和对比度限制，能够避免传统 AHE 中的过度增强问题，尤其适合处理局部对比度差异较大的图像。与 GHE 和 AHE 相比，CLAHE 在增强局部对比度的同时能有效减少噪声放大和伪影，因此在噪声较多或者图像存在明显局部差异的情况下，CLAHE 更加适用。CLAHE 的缺点是可能引入 tile 边界效应，尽管通过插值技术可以减少这一问题，但依然可能存在某些局部区域的增强效果不自然。通过选择合适的参数（如clipLimit和。
95-OpenCVSharp —-Cv2.CreateCLAHE()函数功能（用于增强图像的局部对比度，改进的直方图均衡化算法）详解
weixin_45590420的博客
03-07 1154
*CLAHE（Contrast Limited Adaptive Histogram Equalization）**是一种改进的直方图均衡化算法，主要用于增强图像的局部对比度，同时避免传统直方图均衡化可能导致的噪声放大问题。对象（由 OpenCvSharp 内部管理），但需释放输入/输出的。以下是关于 OpenCvSharp 中 CreateCLAHE。函数的详细说明，包括参数解析、使用方法和实际应用场景。两者的参数含义和效果完全一致，方便跨语言移植。OpenCvSharp 的。方法对图像进行处理。
7/27opencv-python学习笔记
m0_45805664的博客
07-27 723
图像平滑对比度增强限制对比度自适应直方图均衡化图像平滑二维离散卷积理解卷积：边缘提取 对比度增强 限制对比度自适应直方图均衡化 相比全局直方图均衡化，自适应直方图均衡化将图像划分为不重叠的小块，在每一小块进行直方图均衡化，但若小块内有噪声，影响很大，需要通过限制对比度来进行抑制，即限制对比度自适应直方图均衡化。如果限制对比度的阈值设置会40，在局部直方图分布中某个像素值出现次数为45，那么多出的5次像素点会被去掉，平均成其他像素值，如图所示： opencv通过createCLAHE()和apply()函数
Opencv基础自学十四（直方图均衡化）
gamblerofdestinyR14的博客
02-01 323
import cv2 as cv import numpy as np from matplotlib import pyplot as plt #直方图均衡化必须先灰度化 def equalHist_demo(image): gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) dst = cv.equalizeHist(gray) #自动调整图像对...
OpenCV-Python教程：直方图均衡(equalizeHist,createCLAHE)
桔子code 的博客
12-01 1万+
直方图均衡就是让图像的像素个数多的灰度级拉的更宽，对像素个数少的灰度级进行压缩，从而达到提高图像的对比度的目的。从直方图的直观效果来看，就是让y轴比较高的位置变矮向x轴方向膨胀，y轴比较矮的位置变高并在x轴方向压缩。
【OpenCV 例程300篇】49. 直方图处理之局部直方图处理（cv2.createCLAHE）
youcans的博客
12-03 8495
直方图均衡和直方图匹配都是基于整幅图像的灰度分布进行全局变换，并非针对图像局部区域的细节进行增强。直方图处理对于局部同样适用，局部直方图处理的思想是基于像素邻域的灰度分布进行直方图变换处理。 OpenCV 提供了类 **cv2. createCLAHE** 用于创建自适应均衡化的对象和方法，可以实现局部直方图处理。 ...
Python从0到100（七十六）：计算机视觉-直方图和自适应直方图均衡化
热门推荐
全网粉丝10w+，优快云、稀土掘金人工智能签约作者、专家博主，华为云十佳博主，985人工智能硕士。人工智能、大模型、计算机视觉、Python 爬虫— —商务合作：https://bbs.youkuaiyun.com/topics/614347534
12-05 4万+
直方图均衡化（Histogram Equalization）和自适应直方图均衡化（Adaptive Histogram Equalization）都是用于图像增强的技术，目的是改善图像的对比度和视觉效果。它们的主要区别在于处理图像的方式和局部性。直方图均衡化是一种全局的方法，它基于整个图像的灰度直方图来调整像素的灰度值分布。通过使灰度级别在图像中更均匀地分布，直方图均衡化可以增强图像的对比度和细节。它使用累积分布函数将原始图像中的灰度级别映射到一个新的灰度范围，从而实现图像的均衡化。
【OpenCV-Python】 直方图均衡化
赞美月亮的专栏
04-12 1万+
OpenCV 直方图均衡化 直方图 直方图相关术语 BINS DIMS RANGE OpenCV中直方图的计算 Numpy中直方图的计算 绘制直方图 1. 使用Matplotlib 2. 使用OpenCV 应用遮罩 直方图均衡化 直方图均衡化算法 Numpy中的直方图均衡化 Numpy相关函数 计算累计和cumsun() 直方图均衡化 示例1：单通道的灰阶图的直方图均衡化 ...
【python】直方图均衡化和自适应均衡化图像
慕云
02-27 1344
1、代码 import cv2 import matplotlib.pyplot as plt img=cv2.imread('./bike.jpg',0)#读取图片 #进行直方图均衡化 res=cv2.equalizeHist(img) #用于生成自适应均衡化图像 #clipLimit颜色对比度的阈值， titleGridSize进行像素均衡化的网格大小，即在多少网格下进行直方图的均衡化操作 ccc=cv2.createCLAHE(clipLimit=2,tileGridSize=(10,10)) c
opencv用自适应直方图均衡化函数cv2.createCLAHE()提高对比度
xulibo5828的博客
06-02 4663
来自WeTab AI Pro是 OpenCV 中的一个函数，用于创建 CLAHE（Contrast Limited Adaptive Histogram Equalization，对比度受限自适应直方图均衡化）对象。CLAHE 是一种增强图像局部对比度的技术，通过限制对比度来避免传统直方图均衡化所引入的噪声和过度增强。以下是。
OpencvCLAHE
09-23
本代码基于Opencv的CLAHE图像处理技术。基于论文 “基于CLAHE的X射线行李图像增强”，王建。
【图像增强】灰度图与RGB图Clahe的python实现
风巽·剑染春水的博客
11-09 1万+
Clahe：Contrast Limited Adaptive Histogram Equalization 对比度受限的自适应直方图均衡化 Clahe的理论解释：   Clahe理论详解1   Clahe理论详解2 1.函数 cv2.createCLAHE cv2.createCLAHE(clipLimit=None,tileGridSize=None){cv2.createCLAHE(clipLimit=None, tileGridSize=None)}cv2.createCLAHE(clipLimit
Opencv中的直方图(4)局部直方图均衡技术函数createCLAHE()的使用
jndingxin的专栏
09-03 1488
创建一个指向 cv::CLAHE 类的智能指针并初始化它。
关于使用cv2.createCLAHE（）的一个问题
qq_41292565的博客
05-29 7769
我对图像进行自适应直方图均衡化时，也就是应用cv2.createCLAHE（），出现了error: (-215:Assertion failed) _src.type() == CV_8UC1 || _src.type() == CV_16UC1 in function ‘`anonymous-namespace’::CLAHE_Impl::apply’ 后来从网上这个博客添加链接描述中找到答案，他是说将读取的图片通道改为单通道。 上面所说的图片的通道指的是cv2.imread()中有一个flag参数是有关
cv::CLAHE 使用CLAHE算法例子
911的专栏
04-01 1万+
具体算法可以看源码 #include using namespace cv; int _tmain(int argc, _TCHAR* argv[]) { Mat src = imread("d:/1.jpg",0); Ptr clahe = createCLAHE(); Mat dst; clahe ->apply(src,dst); imshow("src",src);
OpenCV-python-2之equalizeHist
JimmyOrigin的博客
05-11 690
1、说明 直方图均衡化：一般可以用来提升图片的亮度，频数均衡化指的是让频数的分布看起来更加均匀一些 2、代码 import cv2 import matplotlib.pyplot as plt img = cv2.imread('7.jpg', 0) cv2.imshow("src", img) his = cv2.calcHist([img], [0], None, [255], [0, 255]) plt.plot(his, label='his', color='r') # 直方图均衡化 ds
OpenCV 对比度受限的自适应直方图均衡化(CLAHE) C++实现
cyf15238622067的博客
04-11 1万+
直方图均衡化（HE）是一种很常用的直方图类方法，基本思想是通过图像的灰度分布直方图确定一条映射曲线，用来对图像进行灰度变换，以达到提高图像对比度的目的。该映射曲线其实就是图像的累计分布直方图（CDF）（严格来说是呈正比例关系）。然而HE是对图像全局进行调整的方法，不能有效地提高局部对比度，而且某些场合效果会非常差。 对比度受限的自适应直方图均衡（CLAHE，Contrast Limited Ada...
OpenCV自适应直方图均衡CLAHE源代码分享
BUG？不存在的！
06-15 997
然而，传统的全局直方图均衡化在处理具有不均匀光照的图像时，会导致过度增强噪声和细节，从而使图像变得不真实。CLAHE（Contrast Limited Adaptive Histogram Equalization）是AHE的变体，其目的是通过限制对比度增强，来避免AHE的缺陷。总之，CLAHE是一种非常有用的图像增强技术，能够消除图像中不均匀的光照引起的问题。在OpenCV中，我们可以很容易地使用CLAHE，并获得高质量的增强图像。最后，应用CLAHE到图像中，然后显示原图和处理后的图像。
自适应直方图均衡（CLAHE) 代码及详细注释【OpenCV】
ShaderJoy 的兴趣技术杂货铺
10-18 2万+
理论请参考博客 OpenCV源码的本地路径： %OPENCV%\opencv\sources\modules\imgproc\src\clahe.cpp clahe.cpp // ---------------------------------------------------------------------- // CLAHE namespace { class C
使用opencv-python如何对过曝光发的图像进行处理
最新发布
04-09
<think>好的，我现在需要帮助用户解决如何使用OpenCV-Python处理过曝光图像的问题。首先，我得理解过曝光图像的特点。过曝通常是因为光线过强或曝光时间过长，导致图像部分区域亮度过高，细节丢失。处理过曝光的方法可能包括调整亮度、对比度，或者使用直方图均衡化等方法。 用户提到了OpenCV-Python，所以我要回忆相关的库函数。记得OpenCV中有直方图均衡化的函数，比如cv2.equalizeHist，但这是全局的，可能不适用于过曝区域。另外，可能需要局部对比度调整，比如CLAHE（限制对比度的自适应直方图均衡化），这可以避免过度增强噪声。 还有伽马校正，通过非线性调整亮度，可能有助于恢复过曝区域的细节。伽马值大于1会降低亮度，小于1会增加亮度。用户需要修复过曝，所以可能用伽马值大于1来调暗图像。 另外，可能需要结合其他方法，比如颜色空间转换。过曝可能在RGB空间处理不够好，转换为HSV或LAB空间，单独调整亮度通道，再进行合并，可能会有更好的效果。例如，将图像转换为HSV，调整V通道的亮度，再转回RGB。 另外，如果过曝区域已经丢失了细节（像素值为255），可能无法完全恢复，但可以通过其他技术如修复或插值来估计。不过这可能比较复杂，需要更高级的方法，比如图像修复算法，比如cv2.inpaint，但通常用于去除水印或损坏区域，不确定是否适用于过曝。 还要考虑引用用户提供的参考资料。引用[2]提到图像在Python中用numpy数组表示，所以处理时可以直接操作数组。例如，调整像素值或应用伽马校正。 可能还需要直方图分析，查看过曝区域的像素分布，使用cv2.calcHist函数。如果大部分像素集中在高亮度区域，可能需要压缩动态范围。 总结可能的步骤：直方图分析，调整亮度（伽马校正），应用CLAHE，颜色空间转换处理，以及可能的图像融合或修复。需要将这些方法用OpenCV-Python的函数实现，比如cv2.addWeighted，cv2.LUT（查找表）用于伽马校正，cv2.cvtColor进行颜色空间转换。 还要注意，处理过曝图像可能效果有限，特别是如果细节已经丢失，但可以尽量改善视觉效果。可能需要结合多个方法，比如先降低整体亮度，再增强局部对比度。 最后，生成相关问题，可能涉及其他曝光问题，如欠曝光处理，或者不同颜色空间的应用，以及OpenCV中其他相关函数的使用。</think>以下是使用OpenCV-Python处理过曝光图像的5种技术方法及实现步骤： ### 一、直方图均衡化改进方法 1. **改进策略**：使用CLAHE（限制对比度自适应直方图均衡化）替代普通直方图均衡 2. **实现代码**： ```python import cv2 img = cv2.imread('overexposed.jpg', 0) clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) cl1 = clahe.apply(img) cv2.imshow('CLAHE_result', cl1) ``` 该方法通过将图像分割为8x8的局部区域进行直方图均衡，能有效保留细节[^3] ### 二、伽马校正技术 1. **数学原理**：应用非线性变换$O = I^\gamma$，当$\gamma>1$时降低高光区域亮度 2. **参数设置**： ```python gamma = 1.5 lookUpTable = np.array([((i / 255.0) ** gamma) * 255 for i in np.arange(0, 256)]).astype("uint8") result = cv2.LUT(img, lookUpTable) ``` ### 三、HSV颜色空间调整 1. **处理流程**： ```python hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) hsv[:,:,2] = cv2.addWeighted(hsv[:,:,2], 0.7, hsv[:,:,2], 0, 0) result = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR) ``` 通过单独降低亮度通道(V)的数值，可有效控制过曝区域[^2] ### 四、高光区域修复算法 1. **掩膜生成**： ```python gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) _, mask = cv2.threshold(gray, 220, 255, cv2.THRESH_BINARY) ``` 2. **图像修复**： ```python kernel = np.ones((3,3), np.uint8) mask = cv2.dilate(mask, kernel, iterations=2) result = cv2.inpaint(img, mask, 3, cv2.INPAINT_TELEA) ``` ### 五、多尺度融合技术 1. **处理流程**： ```python img1 = cv2.GaussianBlur(img, (0,0), 1.0) # 基础层 img2 = cv2.subtract(img, img1) # 细节层 enhanced = cv2.addWeighted(img1, 0.5, img2, 1.5, 0) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值