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

最新推荐文章于 2025-03-07 10:34:37 发布
原创 最新推荐文章于 2025-03-07 10:34:37 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。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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

200万优质内容无限畅学
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
Hello大家好，我是Dream，如果帮得到你，那我深感荣幸！想进粉丝福利群及免费送书群，直接私信我拉你。交流学习、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 4051
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。
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 8292
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。 ...
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 2127
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
03-07 992
*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。
030-OpenCV直方图均衡化、自适应均衡化
weixin_48013634的博客
01-30 3077
话不多说，上代码，看结果。 import cv2 # 导入库 import numpy as np from matplotlib import pyplot as plt ''' cv2.imread(filename,flags) # filename为文件名，图片与.py文件在一个文件夹时输入文件名即可 # 不在一个文件夹时输入图片的路径和名字 # flags为图片的颜色类型，默认为1，灰度图像为0 ''' img = cv2.imread('19.jpg', 0) ''' cv2.
【Python--openCV图像处理】Python学习-OpenCV图像处理基础超详细的学习笔记（黑马程序员课程-B站有视频）
m0_67844671的博客
06-01 2079
【Python--openCV图像处理】Python学习-OpenCV图像处理基础超详细的学习笔记（黑马程序员课程-B站有视频）
【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 ...
【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
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。
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 1352
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 7697
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
05-11 665
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！
06-15 945
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】
热门推荐
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
OpenCV-Python自适应直方图均衡类CLAHE及方法详解
老猿Python
10-21 2万+
本文介绍了OpenCV-Python对比度受限自适应直方图均衡变换的CLAHE类及其方法，并通过代码介绍了相关方法的使用。在单图像的对比度受限自适应直方图均衡时，只需要使用createCLAHE创建CLAHE对象，然后调用该对象apply方法就可以完成对比度受限自适应直方图均衡处理，该类的其他方法用处不大，但如果是要进行多次对比度受限自适应直方图均衡处理，且需要设置不同的分块数和受限阈值，则可以通过提供的方法直接修改对象属性再进行均衡处理即可。
opencv 图像亮度均衡
最新发布
04-02
<think>好的，我现在需要帮助用户解决如何使用OpenCV实现图像亮度均衡的问题。首先，我得理解用户的需求是什么。图像亮度均衡通常指的是调整图像的亮度，使其整体或局部区域的亮度分布更均匀，可能用于改善过暗或过亮的图像，或者增强对比度。 用户可能已经知道一些基本的图像处理技术，比如直方图均衡化，但可能想了解更具体的方法，比如自适应直方图均衡化（CLAHE），或者其他的亮度调整方法。我需要考虑不同的方法，并给出相应的代码示例。 首先，我应该回忆OpenCV中常用的亮度均衡方法。最基础的方法是全局直方图均衡化，适用于灰度图像。但如果是彩色图像，可能需要转换到其他颜色空间，比如HSV，然后对亮度通道进行处理。另外，CLAHE是一种改进方法，它通过将图像分成小块并在每个小块上进行直方图均衡化，从而避免全局方法可能导致的局部过亮或过暗的问题。 接下来，我需要确保提供的代码正确无误，并且符合OpenCV的版本要求。例如，CLAHE在OpenCV中是通过createCLAHE方法创建的，用户可能需要知道如何正确使用它。同时，处理彩色图像时，转换颜色空间可能会用到cv2.cvtColor函数，将BGR转换为HSV，处理后再转换回来。 还需要考虑可能的输入输出，比如读取图像文件，显示结果，保存处理后的图像。代码示例应该包括这些步骤，让用户能够直接运行并看到效果。 此外，用户可能对原理不太清楚，需要简要解释每种方法的作用，比如直方图均衡化如何增强对比度，CLAHE相比普通直方图均衡化的优势在哪里。这样用户可以根据自己的需求选择合适的方法。 最后，生成相关问题时，需要考虑用户可能进一步想知道的内容，比如不同方法的优缺点、参数调整、处理后的效果比较，或者应用场景等。这些问题可以帮助用户更深入地理解和应用图像亮度均衡技术。</think>### OpenCV图像亮度均衡实现方法 #### 1. 直方图均衡化（基础方法） 适用于灰度图像的全局亮度均衡方法，通过扩展像素强度分布范围实现对比度增强。 ```python import cv2 # 读取灰度图像 img = cv2.imread('input.jpg', 0) # 直方图均衡化 equ = cv2.equalizeHist(img) # 结果保存 cv2.imwrite('output_equ.jpg', equ) ``` #### 2. CLAHE方法（推荐） 限制对比度自适应直方图均衡化，通过分块处理避免过度增强噪声[^1]。 ```python import cv2 # 读取彩色图像 img = cv2.imread('input.jpg') # 转换为LAB颜色空间 lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB) l, a, b = cv2.split(lab) # 创建CLAHE对象 clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8)) cl = clahe.apply(l) # 合并通道并转换回BGR merged = cv2.merge([cl, a, b]) result = cv2.cvtColor(merged, cv2.COLOR_LAB2BGR) cv2.imwrite('output_clahe.jpg', result) ``` #### 3. HSV空间亮度调整 通过调整HSV颜色空间的亮度分量实现更自然的均衡效果。 ```python import cv2 import numpy as np img = cv2.imread('input.jpg') hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 对亮度通道进行均衡化 hsv[:,:,2] = cv2.equalizeHist(hsv[:,:,2]) result = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR) cv2.imwrite('output_hsv.jpg', result) ``` ### 方法对比 | 方法 | 优点 | 缺点 | |-----------|-----------------------------|------------------------| | 直方图均衡化 | 计算简单快速 | 容易增强噪声，全局处理效果生硬 | | CLAHE | 局部自适应，保留细节更好 | 参数需要调整（clipLimit, tileSize） | | HSV空间调整 | 保持颜色自然，适合彩色图像处理 | 需要颜色空间转换 |
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