数学之路-python计算实战(14)-机器视觉-图像增强(直方图均衡化)

我们来看一个灰度图像，让表示灰度出现的次数，这样图像中灰度为 的像素的出现概率是

 是图像中全部的灰度数， 是图像中全部的像素数,  实际上是图像的直方图，归一化到 。

把  作为相应于  的累计概率函数, 定义为：

 是图像的累计归一化直方图。

我们创建一个形式为  的变化，对于原始图像中的每一个值它就产生一个 ，这样  的累计概率函数就能够在全部值范围内进行线性化，转换公式定义为：

注意 T 将不同的等级映射到  域。为了将这些值映射回它们最初的域，须要在结果上应用以下的简单变换：

上面描写叙述了灰度图像上使用直方图均衡化的方法。可是通过将这样的方法分别用于图像RGB颜色值的红色、绿色和蓝色分量，从而也能够对彩色图像进行处理。

Python: cv2.equalizeHist(src[, dst]) → dst

C: void cvEqualizeHist(const CvArr* src, CvArr* dst)

Parameters:	src – Source 8-bit single channel image. dst – Destination image of the same size and type as src .

The function equalizes the histogram of the input image using the following algorithm:

1. Calculate the histogram  for src .

2. Normalize the histogram so that the sum of histogram bins is 255.

3. Compute the integral of the histogram:

   

4. Transform the image using  as a look-up table: 

The algorithm normalizes the brightness and increases the contrast of the image.

# -*- coding: utf-8 -*-
#code:[e-mail]
import cv2
fn="test1.jpg"
myimg=cv2.imread(fn)
img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)
newimg=cv2.equalizeHist(img)
cv2.imshow('src',img)
cv2.imshow('dst',newimg)
cv2.waitKey()
cv2.destroyAllWindows()

本博客全部内容是原创，假设转载请注明来源

http://blog.****.net/myhaspl/

以下右图是经过增强化的图

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbXloYXNwbA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" alt="" />
直方图均衡化通经常使用来添加很多图像的全局对照度，尤其是当图像的实用数据的对照度相当接近的时候。

通过这样的方法，亮度能够更好地在直方图上分布。这样就能够用于增强局部的对照度而不影响总体的对照度

本博客全部内容是原创，假设转载请注明来源

http://blog.****.net/myhaspl/

以下部分代码验证实现了算法

# -*- coding: utf-8 -*-
#code:[e-mail]
#直方图均衡化
import cv2
import numpy as np
fn="test5.jpg"
myimg=cv2.imread(fn)
img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)
h=img.shape[0]
w=img.shape[1]
newimg=np.zeros((h,w),np.uint8)
scount=0.0
#原始图像灰度级
scol={}
#目标图像灰度级
dcol={}
#原始图像频度
Ps={}
#累计概率
Cs={}

#统计原始图像灰度级
for m in xrange(h):
    for n in xrange(w):
        scol[img[m,n]]=scol.setdefault(img[m,n],0)+1
        scount+=1

下图左为源图。右图为进行直方图均衡化后的图