OpenCV使用python实现限制对比度的自适应直方图均衡化

最新推荐文章于 2024-09-21 20:50:34 发布
转载 最新推荐文章于 2024-09-21 20:50:34 发布 · 352 阅读 · 1 ·
CC 4.0 BY-SA版权
原文链接：https://yq.aliyun.com/articles/603944
文章标签：

#python #人工智能

本文介绍了一种图像处理技术——限制对比度的自适应直方图均衡化。该方法通过设置对比度阈值，避免噪声放大，改善图像质量。文中详细解释了其工作原理，并提供了Python实现代码。

前面讲到的自适应直方图均衡化的实现方法首先是将图像划分成不重叠的区域块，让后对每个块分别进行直方图均衡化处理。如果在图像有噪声的情况下这样处理，在每个被分割的小区域块中的噪声就会被放大。

为了避免噪声对图像均衡化的影响，这里使用了限制对比度的自适应直方图均衡化来处理图像的直方图均衡化。

限制对比度的直方图均衡化的处理方式是先为直方图设置一个阈值，该阈值为限制对比度值，超过该阈值的值会被裁剪，然后裁剪的部分会均匀的分布到其他值上，这样就重构了直方图，接下来就可以用重构后的直方图来进行接下来的均衡化操作了。

下面是限制对比度的操作示例图，我这边用excel图来进行展示：

05f184fd2c2e846726b544de139c635f19f75fa3

1529d43bc9f638a00c9411bb93bba448f3fb94b8

阈值为40时，超出阈值的为50这个直方图区域，将多出的50-40=10的部分均匀分布到每个区域上，平均每个区域增加的值为2

注意：在OpenCV手册中没有提及到限制对比度的自适应直方图均衡化函数。

具体的python实现限制对比度的自适应直方图均衡化代码如下：

17b1b4e5b7a254bf6caecc51d1573a5402b4e982

其中默认设置的“限制对比度”为40，块的大小为8X8

程序运行后的效果如下图所示：

bd29e1a7c771be14cc4120d10bc00fbae5b9274c

本文摘自异步社区，作者：黑夜探路人,作品：《OpenCV使用python实现限制对比度的自适应直方图均衡化》，未经授权，禁止转载。


推荐阅读

2018年5月新书书单（文末福利）

2018年4月新书书单

异步图书最全Python书单

一份程序员必备的算法书单

第一本Python神经网络编程图书


1e3b4e73269763cdf9de9f0bfbd3261eb7f437d5

0cb5a27fa6fbbf9cb89ce913122f899fd46b8c72
长按二维码，可以关注我们哟

每天与你分享IT好文。


在“异步图书”后台回复“关注”，即可免费获得2000门在线视频课程

点击查看原文，阅读更多内容

阅读原文
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
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。
[Python图像识别] 四十六.图像预处理之图像去雾详解（ACE算法和暗通道先验去雾算法）
杨秀璋的专栏
09-14 1万+
上一篇文章主要介绍目标检测原理，通过七个问题来普及什么是目标检测，然后利用ImageAI实现最简单的目标检测案例。这篇文章将详细介绍图像去雾算法，经过图像增强后的图像也能应用于目标检测或图像分类领域，并且效果更好。本文主要讲解ACE去雾算法、暗通道先验去雾算法以及雾化生成算法，并且参考了两位计算机视觉大佬（Rizzi 何恺明）的论文。希望您喜欢，且看且珍惜。
图像增强：全局直方图均衡化与限制对比度自适应直方图均衡化（python程序）
yuxiaoye03222的博客
05-23 1686
主要分四个步骤： 计算图像的灰度直方图 计算灰度直方图的累加直方图 根据累加直方图和直方图均衡化原理得到输入灰度级和输出灰度级之间的映射关系 根据第三步得到的灰度级映射关系，循环得到输出图像的每一个像素的灰度级 import cv2 import numpy as np import sys import matplotlib.pyplot as plt import math import zengqiang_huidu #全局直方图均衡化，无参数 def equalHist(image):
[图像去雾]（一）限制对比度的自适应直方图均衡化(CLAHE)的学习体会——图像分块
destinysjc93的博客
08-30 1万+
CLAHE中将图像进行分块处理，可以极大提高算法效率。根据参考博文方法，下文采用MATLAB将一幅图分成n*n块。该分块结果的最后一行和最后一列由整除的剩余像素构成，因此除了刚好被整除以外，图像块的大小一般来说是不均匀的（大小）。
限制对比度自适应直方图均衡化（CLAHE）
热门推荐
Joson的博客
07-08 3万+
🌟 在探索CLAHE的奥秘之前，让我们先了解一下直方图均衡化的基础知识。温馨提示：本文内容较为深入，建议准备好一杯咖啡慢慢阅读。
限制对比度自适应直方图均衡化算法原理、实现及效果
weixin_34238633的博客
04-07 4343
一、自适应直方图均衡化(Adaptive histgram equalization/AHE)       1.简述        自适应直方图均衡化(AHE)用来提升图像的对比度的一种计算机图像处理技术。和普通的直方图均衡算法不同，AHE算法通过计算图像的局部直方图，然后重新分布亮度来来改变图像对比度。因此，该算法更适合于改进图像的局部对比度以及获得更多的图像细节。        不过，A...
CLAHE.zip_CLAHE_CLAHE简单实现_scientific8bk_对比度自适应直方图均衡化_限制对比度
09-23
对比度自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization，简称CLAHE）是一种在图像处理领域中广泛使用的增强局部对比度的技术。相比于传统的全局直方图均衡化，CLAHE更注重于图像的局部区域，...
opencv-python 限制对比度自适应直方图均衡化（CLAHE）（我的疑问与示例）
lustyoung的博客
12-15 9278
限制对比度自适应直方图均衡化的主要计算过程需要先了解一下 https://blog.youkuaiyun.com/u013066730/article/details/83000004 这个链接说的很清楚。看了几遍不是很明白具体是怎么操作的，我的理解是：将原来的图像划分为不重叠的几个区域（一般是8*8）然后在每个区域内，限制对比度（如何限制？不明白），并且把一部分特别 这是原来博文的截图，这个图我...
OpenCV--Python 图像增强（线性变换，直方图正规化，伽马变换，全局直方图均衡化，限制对比度的自适应直方图均衡化）_cv2直方图正规化
2401_87368909的博客
09-21 1015
pixelSequence = img.reshape([h * w, ]) numberBins = 256 histogram, bins, patch = plt.hist(pixelSequence, numberBins, facecolor=‘black’, histtype=‘bar’) plt.xlabel(“gray label”) plt.ylabel(“number of pixels”) plt.axis([0, 255, 0, np.max(histogram)]) plt.sho
17. OpenCV 直方图均衡化和自适应直方图均衡化 (CLAHE)（Python代码）
09-03
我们可以通过应用一种称为对比度受限自适应直方图均衡化 （CLAHE） 的算法来进一步改进直方图均衡化，从而获得更高质量的输出图像。 除了摄影师使用直方图均衡来校正曝光不足/曝光过度的图像外，使用最广泛的直方图...
python opencv图像对比度增强_【3】python-opencv3教程：图像的对比度增强（线性变化，直方图正规化，伽马变化，全局直方图均衡化，限制对比度的自适应直方图均衡化）...
weixin_39775910的博客
12-06 709
第三节：对比度增强算法总结一： 绘制直方图就是把各个像素值所含有的个数统计出来，然后画图表示。 可以看到在当前图像中，哪个像素值的个数最多。 同时，可以看当前图像总体的像素值大小在哪些范围。。靠近0的话，说明图像偏暗。 靠近255，说明图像偏亮。import cv2import numpy as npimport matplotlib.pyplot as pltimport math# # 绘制灰...
限制对比度自适应直方图均衡化(CLAHE)
mvpboy123的博客
08-03 820
import cv2 import numpy as np import glob img_path = '/home/zhengsc/Desktop/double_up_res_aspp/Dataset/Linear_lesion/img/f2/' new_path1 = '/home/zhengsc/Desktop/huidu/CLAHE/' new_path2 = '/home/zhengsc/Desktop/huidu/1/' img = glob.glob(img_path+'*.png') #
对比度受限的自适应直方图均衡化(CLAHE)
qq_43812171的博客
01-04 4786
直方图均衡化(HE)简介 图像的灰度级   在计算机中,一幅图像由若干个像素组成,这些像素有自己的位置和像素值.   一幅彩色图由RGB三个通道的像素组成,一副灰度图由单通道的像素组成.   在一副灰度图中,像素值的取值范围即为灰度级,在计算机中,灰度级为256,即[0, 255],灰度级为离散值. 图像的灰度直方图   图像的直方图就是对图像的每个灰度级中有多少个像素点的统计,如下图: 直方图均衡化(HE)   显然,对于一些图像而言,它的像素值可能集中分布在某一块区域,那么像素点与像素点之间的色差就会
图像处理---CLAHE（限制对比度自适应直方图均衡）算法MATLAB代码
Adddendum的博客
12-06 4631
function out = myCLAHE(I) %ADAPTHISTEQ Contrast-limited Adaptive Histogram Equalization (CLAHE). % ADAPTHISTEQ enhances the contrast of images by transforming the % values in the intensity image I. Unlike HISTEQ, it operates on small % data regions
使用Python实现自适应直方图均衡化（CLAHE）处理不同分块大小的图像问题
.
07-16 646
随后，应用CLAHE对象获得CLAHE图像。下面给出实现自适应直方图均衡（CLAHE）处理不同分块大小的图像问题的Python代码。在数字图像处理中，直方图均衡是一种广泛使用的技术，用来增强图像的对比度。然而，传统的直方图均衡技术是基于全局像素值分布的，可能导致某些局部区域过度增强，丢失细节信息。这样，就解决了自适应直方图均衡（CLAHE）处理不同分块大小的图像问题。为了解决这一问题，自适应直方图均衡（CLAHE）结合了直方图均衡和局部自适应技术，使图像在局部细节保持不变的同时增强对比度。
OpenCV-Python对比度受限的自适应直方图均衡CLAHE知识介绍
老猿Python
10-24 8147
本文介绍了OpenCV-Python对比度受限的自适应直方图均衡CLAHE相关知识，可以看到CLAHE比全局直方图均衡对明暗分布不均匀的图像的改善效果更好，而进行CLAHE处理时，clipLimit值越大，对暗区域的改善效果越明显，但亮区域反而会起到反作用。
图像直方图均衡化：Python实现直方图均衡化、直方图相似度检测、Python实现直方图反向投影
小开的学习笔记
04-03 2904
本文内容 直方图的定义及其特性 直方均衡化的及其Python实现 图片相似度检测算法及其Python实现 直方图反向投影及其Python实现 (所有代码可在我的GitHub找到，传送门： https://github.com/Panacea1999/image_algorithms/tree/main/histogram_algorithms) 直方图的定义及特性 直方图是对数据分布的一种准确的图形表示，对于连续数据和离散数据都适用。横轴代表数值（连续数据）或其类型（离散数据），纵轴代表样本空间中每一种
python实现直方图均衡化（CLAHE、HE）
weixin_47357629的博客
11-01 2337
【代码】python实现直方图均衡化（CLAHE、HE）
限制对比度自适应直方图均衡化python
最新发布
08-14
在Python中实现限制对比度自适应直方图均衡化（CLAHE）可以借助OpenCV库完成。CLAHE是一种图像增强技术，它通过局部区域的直方图均衡化来改善图像的对比度，同时限制对比度以避免过度放大噪声。以下是一个完整的实现示例，结合了多段引用内容中的代码和描述。 ### 实现步骤 1. 将图像从BGR颜色空间转换为Lab颜色空间。 2. 分离Lab颜色空间中的L（亮度）、A和B通道。 3. 创建CLAHE对象，并对L通道应用CLAHE算法。 4. 合并增强后的L通道与原始A和B通道。 5. 将结果转换回BGR颜色空间以进行显示。 ### Python实现代码 ```python import cv2 def apply_clahe(image, clip_limit=2.0, tile_grid_size=(8, 8)): # 转换为Lab颜色空间 lab = cv2.cvtColor(image, cv2.COLOR_BGR2Lab) # 分割Lab图像的L、A、B通道 l, a, b = cv2.split(lab) # 创建CLAHE对象 clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=tile_grid_size) # 应用CLAHE算法到L通道 l_clahe = clahe.apply(l) # 合并增强后的L通道与原始A和B通道 lab_clahe = cv2.merge((l_clahe, a, b)) # 转换回BGR颜色空间 enhanced_image = cv2.cvtColor(lab_clahe, cv2.COLOR_Lab2BGR) return enhanced_image # 读取输入图像 image = cv2.imread('input_image.jpg') # 应用CLAHE算法进行图像增强 enhanced_image = apply_clahe(image) # 显示原始图像和增强后的图像 cv2.imshow('Original Image', image) cv2.imshow('Enhanced Image', enhanced_image) # 等待按键按下并关闭窗口 cv2.waitKey(0) cv2.destroyAllWindows() ``` ### 参数说明 - `clip_limit`：控制对比度限制的阈值，数值越大，对比度增强越明显。默认值为2.0[^1]。 - `tile_grid_size`：定义局部区域的大小（网格大小），通常设置为`(8, 8)`或`(16, 16)`。较小的网格大小会导致更强的局部对比度增强[^2]。 ### 注意事项 - 确保输入图像的路径正确，否则程序将无法读取图像。 - 可以根据实际需求调整`clip_limit`和`tile_grid_size`参数来优化增强效果。 - 如果图像中存在明显的边界问题，可以通过调整插值方法或增加`clip_limit`值来缓解[^4]。
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