2. 程式人生 > >OpenCV--Python 影象增強

OpenCV--Python 影象增強

阿新 • • 發佈：2019-01-09

                          OpenCV--Python 影象增強

影象增強主要解決由於影象的灰度級範圍較小造成的對比度較低的問題，目的就是將輸出影象的灰度級放大到指定的程度，使得影象中的細節看起來增加清晰。對比度增強有幾種常用的方法，如線性變換、分段線性變換、伽馬變換、直方圖正規化、直方圖均衡化、區域性自適應直方圖均衡化等。

1.灰度直方圖

在講解影象增強的方法之前先來認識一下灰度直方圖，灰度直方圖是影象灰度級的函式，用來描述每個灰度級在影象矩陣中的畫素個數或者佔有率。接下來使用程式實現直方圖：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
 
def calcGrayHist(I):
    # 計算灰度直方圖
    h, w = I.shape[:2]
    grayHist = np.zeros([256], np.uint64)
    for i in range(h):
        for j in range(w):
            grayHist[I[i][j]] += 1
    return grayHist
 
img = cv.imread("../testImages/4/img1.jpg", 0)
grayHist = calcGrayHist(img)
x = np.arange(256)
# 繪製灰度直方圖
plt.plot(x, grayHist, 'r', linewidth=2, c='black')
plt.xlabel("gray Label")
plt.ylabel("number of pixels")
plt.show()
# cv.imshow("img", img)
# cv.waitKey()

Matplotlib本身也提供了計算直方圖的函式hist，以下由matplotlib實現直方圖的生成：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
img = cv.imread("../testImages/4/img1.jpg", 0)
h, w = img.shape[:2]
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.show()
cv.imshow("img", img)
cv.waitKey()

 

影象的對比度是通過灰度級範圍來度量的，而灰度級範圍可通過觀察灰度直方圖得到，灰度級範圍越大代表對比度越高；反之對比度越低，低對比度的影象在視覺上給人的感覺是看起來不夠清晰，所以通過演算法調整影象的灰度值，從而調整影象的對比度是有必要的。最簡單的一種對比度增強的方法是通過灰度值的線性變換實現的。
 

2.線性變換

假設輸入影象為，寬為，高為，輸出影象記為，影象的線性變換可以用以下公式定義：

  

如下圖所示，當a=1，b=0時，為的一個副本；如果a>1，則輸出影象的對比度比有所增大；如果0<a<1，則的對比度比有所減小。而b值的改變，影響的是輸出影象的亮度，當b>0時，亮度增加；當b<0時，亮度減小。下面程式碼實現：
 

import numpy as np
a = np.array([[0, 200], [23, 4]], np.uint8)
b = 2 * a
print(b.dtype)
print(b)
'''
uint8
[[  0 144]
 [ 46   8]]
'''

在上面程式碼中，輸入的是一個uint8型別的ndarray，用數字2乘以該陣列，返回的ndarray的資料型別是uint8。注意輸出第0行第1列，200*2應該等於400，但是400超出了uint8的資料範圍，Numpy是通過模運算歸到uint8範圍的，即400%256=144，從而轉換成uint8型別。如果將常數2改為2.0，雖然這個常數只是整型和浮點型的區別，但是結果卻不一樣。程式碼如下：

import numpy as np
a = np.array([[0, 200], [23, 4]], np.uint8)
b = 2.0 * a
print(b.dtype)
print(b)
'''
float64
[[   0.  400.]
 [  46.    8.]]
'''

可以發現返回的ndarray的資料型別變成了float64，也就是說，相乘的常數是2和2.0會導致返回的ndarray的資料型別不一樣，就會造成200*2的返回值是144，而200*2.0的值卻是400；而對8點陣圖進行對比度增強來說，線性變換計算出的輸出值可能要大於255，需要將這些值截斷為255，而不是取模運算，所以不能簡單地只是用“*”運算來實現線性變換。具體程式碼如下：
 

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
 
# 繪製直方圖函式
def grayHist(img):
    h, w = img.shape[:2]
    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.show()
 
img = cv.imread("../testImages/4/img4.jpg", 0)
out = 2.0 * img
# 進行資料截斷，大於255的值截斷為255
out[out > 255] = 255
# 資料型別轉換
out = np.around(out)
out = out.astype(np.uint8)
# 分別繪製處理前後的直方圖
# grayHist(img)
# grayHist(out)
cv.imshow("img", img)
cv.imshow("out", out)
cv.waitKey()

以上線性變換是對整個灰度級範圍使用了相同的引數，有的時候也需要針對不同灰度級範圍進行不同的線性變換，這就是常用的分段線性變換，經常用於降低較亮或較暗區域的對比度來增強灰度級處於中間範圍的對比度，或者壓低中間灰度級處的對比度來增強較亮或者較暗區域的對比度。從下圖（a）的灰度直方圖（b）可以看出，影象的灰度主要集中在 [100,150]之間，可以通過以下分段線性變換將主要的灰度級拉伸到[50,230]，結果如圖（c）所示，對比度拉伸後顯然比原圖能夠更加清晰地看到更多的細節。


img = cv.imread("../testImages/4/img7.jpg", 0)
img = cv.resize(img, None, fx=0.3, fy=0.3)
h, w = img.shape[:2]
out = np.zeros(img.shape, np.uint8)
for i in range(h):
    for j in range(w):
        pix = img[i][j]
        if pix < 50:
            out[i][j] = 0.5 * pix
        elif pix < 150:
            out[i][j] = 3.6 * pix - 310
        else:
            out[i][j] = 0.238 * pix + 194
        # 資料型別轉換
out = np.around(out)
out = out.astype(np.uint8)
# grayHist(img)
# grayHist(out)
cv.imshow("img", img)
cv.imshow("out", out)
cv.waitKey()

 線性變換的引數需要根據不同的應用及影象自身的資訊進行合理的選擇，可能需要進行多次測試，所以選擇合適的引數是相當麻煩的。直方圖正規化就是基於當前影象情況自動選取a和b的值的方法，下面介紹這種方法。

3.直方圖正規化

假設輸入影象為I，寬為W，高為H，I(r,c)代表I的第r行第c列的灰度值，將I中出現的最小灰度級記為I_{min}，最大灰度級記為I_{max}，即I(r,c) \in [I_{min},I_{max}]，為使輸出影象O的灰度級範圍為 [O_{min},O_{max}]，I(r,c)和O(r,c)做以下對映關係：

O(r,c) = \frac{O_{max}-O_{min}}{I_{max}-I_{min}}(I(r,c)-I_{min}) + O_{min},0\leqslant r<H,0\leqslant c<W

這個過程就是直方圖正規化，直方圖正規化是一種自動選取a和b的值的線性變換方法，其中

a = \frac{O_{max}-O_{min}}{I_{max}-I_{min}},b=O_{min}-\frac{O_{max}-O_{min}}{I_{max}-I_{min}}*I_{min}

 

下面使用Python程式碼實現直方圖正規化：

 
img = cv.imread("../testImages/4/img6.jpg", 0)
# 計算原圖中出現的最小灰度級和最大灰度級
# 使用函式計算
Imin, Imax = cv.minMaxLoc(img)[:2]
# 使用numpy計算
# Imax = np.max(img)
# Imin = np.min(img)
Omin, Omax = 0, 255
# 計算a和b的值
a = float(Omax - Omin) / (Imax - Imin)
b = Omin - a * Imin
out = a * img + b
out = out.astype(np.uint8)
cv.imshow("img", img)
cv.imshow("out", out)
cv.waitKey()

程式碼中計算原圖中出現的最小灰度級和最大灰度級可以使用OpenCV提供的函式 

minVal, maxVal, minLoc, maxLoc  = cv.minMaxLoc(src[, mask])

返回值分別為：最小值，最大值，最小值的位置索引，最大值的位置索引。

正規化函式normalize: dst=cv.normalize(src, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]])

使用函式normalize對影象進行對比度增強時，經常令引數norm_type=NORM_MINMAX，此函式內部實現和咱們上邊講的計算方法是相同的，引數alpha相當於，引數beta相當於。注意，使用normalize可以處理多通道矩陣，分別對每一個通道進行正規化操作。使用該函式的程式碼如下，實現結果和上邊是相同的：
 

img = cv.imread("../testImages/4/img6.jpg", 0)
out = np.zeros(img.shape, np.uint8)
cv.normalize(img, out, 255, 0, cv.NORM_MINMAX, cv.CV_8U)
cv.imshow("img", img)
cv.imshow("out", out)
cv.waitKey()

 

4.伽馬變換

假設輸入影象為，寬為，高為，首先將其灰度值歸一化到[0,1]範圍，對於8點陣圖來說，除以255即可。代表歸一化後的第r行第c列的灰度值，輸出影象記為，伽馬變換就是。當時，影象不變。如果影象整體或者感興趣區域較暗，則令可以增加影象對比度；相反，如果影象整體或者感興趣區域較亮，則令可以降低影象對比度。影象的伽馬變換實質上是對影象矩陣中的每一個值進行冪運算，Numpy提供的冪函式power實現了該功能，程式碼實現如下：
 

img = cv.imread("../testImages/4/img8.jpg", 0)
# 影象歸一化
fi = img / 255.0
# 伽馬變換
gamma = 0.4
out = np.power(fi, gamma)
cv.imshow("img", img)
cv.imshow("out", out)
cv.waitKey()

伽馬變換在提升對比度上有比較好的效果，但是需要手動調節\gamma值。下面介紹一種利用影象的直方圖自動調節影象對比度的方法。

 

5.全域性直方圖均衡化

對於直方圖均衡化的實現主要分為四個步驟：
1、計算影象的灰度直方圖
2、計算灰度直方圖的累加直方圖
3、輸入灰度級和輸出灰度級之間的對映關係
4、根據對映關係迴圈輸出影象的每一個畫素的灰度級
其中的對映關係是：q=\frac{\sum_{k=0}^{p}hist_{I}(k)}{H*W}*256-1，其中q為輸出的畫素，p為輸入的畫素。可以這麼理解，\frac{\sum_{k=0}^{p}hist_{I}(k)}{H*W}這一項相當於是灰度直方圖的累加概率直方圖(範圍在0~1之間)，再將此範圍放大至0~255之間便得到輸出影象的畫素。下面使用程式來實現：

def equalHist(img):
    # 灰度影象矩陣的高、寬
    h, w = img.shape
    # 第一步：計算灰度直方圖
    grayHist = calcGrayHist(img)
    # 第二步：計算累加灰度直方圖
    zeroCumuMoment = np.zeros([256], np.uint32)
    for p in range(256):
        if p == 0:
            zeroCumuMoment[p] = grayHist[0]
        else:
            zeroCumuMoment[p] = zeroCumuMoment[p - 1] + grayHist[p]
    # 第三步：根據累加灰度直方圖得到輸入灰度級和輸出灰度級之間的對映關係
    outPut_q = np.zeros([256], np.uint8)
    cofficient = 256.0 / (h * w)
    for p in range(256):
        q = cofficient * float(zeroCumuMoment[p]) - 1
        if q >= 0:
            outPut_q[p] = math.floor(q)
        else:
            outPut_q[p] = 0
    # 第四步：得到直方圖均衡化後的影象
    equalHistImage = np.zeros(img.shape, np.uint8)
    for i in range(h):
        for j in range(w):
            equalHistImage[i][j] = outPut_q[img[i][j]]
    return equalHistImage
 
img = cv.imread("../testImages/4/img1.jpg", 0)
# 使用自己寫的函式實現
equa = equalHist(blur)
# grayHist(img, equa)
# 使用OpenCV提供的直方圖均衡化函式實現
# equa = cv.equalizeHist(img)
cv.imshow("img", img)
cv.imshow("equa", equa)
cv.waitKey()

理解了上述程式碼，對於OpenCV提供的函式 equalizeHist() 就可以輕鬆掌握了，使用方法很簡單，只支援對8點陣圖的處理。雖然全域性直方圖均衡化方法對提高對比度很有效，但是均衡化處理以後暗區域的噪聲可能會被放大，變得清晰可見，而亮區域可能會損失資訊。為了解決該問題，提出了自適應直方圖均衡化(Aptive Histogram Equalization)方法。

 

6.限制對比度的自適應直方圖均衡化

自適應直方圖均衡化首先將影象劃分為不重疊的區域塊，然後對每一個塊分別進行直方圖均衡化。顯然，在沒有噪聲影響的情況下，每一個小區域的灰度直方圖會被限制在一個小的灰度級範圍內；但是如果有噪聲，每一個分割的區域塊執行直方圖均衡化後，噪聲會被放大。為了避免出現噪聲這種情況，提出了“限制對比度”(Contrast Limiting)，如果直方圖的bin超過了提前預設好的“限制對比度”，那麼會被裁剪，然後將裁剪的部分均勻分佈到其他的bin，這樣就重構了直方圖。下面介紹OpenCV實現的限制對比度的自適應直方圖均衡化函式，
 

img = cv.imread("../testImages/4/img3.jpg", 0)
img = cv.resize(img, None, fx=0.5, fy=0.5)
# 建立CLAHE物件
clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
# 限制對比度的自適應閾值均衡化
dst = clahe.apply(img)
# 使用全域性直方圖均衡化
equa = cv.equalizeHist(img)
# 分別顯示原圖，CLAHE，HE
cv.imshow("img", img)
cv.imshow("dst", dst)
cv.imshow("equa", equa)
cv.waitKey()

OpenCV提供的函式：cv.createCLAHE([, clipLimit[, tileGridSize]])

引數 解釋
clipLimit 對比度限制的閾值，預設為40
tileGridSize 用於直方圖均衡的區域塊大小。 輸入影象將被分成相同大小的矩形塊。 tileGridSize定義行和列中的塊數。預設為(8,8)

上圖顯示了對原圖(a)進行限制對比度自適應直方圖均衡化(CLAHE)和全域性直方圖均衡化(HE)的效果，會發現，原圖中比較亮的區域，經過HE處理後出現了失真的情況，而且出現了明顯的噪聲，而CLAHE避免了這兩種情況。

 

7.總結

對比度增強只是影象增強方法中的一種手段，對比度拉伸的方法受影象噪聲的影響會明顯，下一篇介紹去除噪聲的方法，去噪之後再使用對比度增強技術效果會更好。

本篇文章講解了灰度直方圖的視覺化、線性變換、分段線性變換、直方圖正規化、伽馬變換、全域性直方圖均衡化、限制對比度的自適應直方圖均衡化，使用到的函式有 minMaxLoc()，normalize()，equalizeHist()，createCLAHE()。
 

 

【轉載】：https://blog.csdn.net/m0_38007695/article/details/82718107

 

相關推薦

學習OpenCV-Python——影象增強

影象增強 影象增強可以分為兩種： 領域處理技術。對畫素點及其周圍的點進行處理，即使用卷積核。 點處理技術。只對單個畫素進行處理。 歸一化 cv2.normalize(src, dst, alpha, beta, norm_type, dtype, mask

OpenCV—python 影象增強

一、影象增強 import os import cv2 import random import numpy as np def random_crop(img, area_ratio, hw_vari): """ :param img:

OpenCV--Python 影象增強

                          OpenCV--Python 影象增強 影象增強主要解決由於影象的灰度級範圍較小造成的對比度較低的問題，目的就是將

macOS opencv python 影象濾波

opencv python 影象平滑和濾波 1，高斯濾波 1，高斯濾波 #! /usr/local/bin/python3 # coding:utf-8 """ 影象二值化 全域性閥值 """ from PIL import Image im

macOS opencv python 影象簡單二值化

python opencv 影象二值化 全域性閥值 1，cv2.threshold 全域性閥值 1，cv2.threshold 全域性閥值 #! /usr/local/bin/python3 # coding:utf-8 """ 影象二值化 全

OpenCV—python 影象修復（去除水印）

基於OpenCV的兩種去水印方案(不具有普適性) 可以使用深度學習方法來去修復影象 一、基於 inpaint 方法（網上的方法，處理質量較低） 演算法理論：基於Telea在2004年提出的基於快速行進的修復演算法（FMM演算法），先處理待修復區域邊緣上的畫素點，然後層層向內推進，

opencv-python 影象灰度變換

  灰度變換作為一種影象預處理技術可以顯著的改善影象的質量，下面將介紹幾種灰度變換的方法 1. gamma 變換   Gamma變換是對輸入影象灰度值進行的非線性操作，使輸出影象灰度值與輸入影象灰度值呈指數關係：

opencv-python影象孔洞填充

  在進行影象分割的過程中，由於演算法的不穩定或者影象質量的問題，會造成影象孔洞出現，這個時候就需要對影象中的孔洞進行填充，具體函式如下 def fillHole(im_in): im_floodfill = im_in.copy() # Mask used to flood

OpenCV—python影象標註（批量檔案重新命名）

""" 批量修改檔名：我這裡用於對圖片資料集標註 注意：輸入目錄與輸出目錄相同才行 """ import os input_dir = "../SandBox/label_pictures" ou

機器視覺 OpenCV—python 資料增強

一、前言 大家好，我之前做過影象分類或識別時，經常感慨資料集不夠大，導致模型的準確度不夠高，雖然用過一些影象增強的方法，也見過別人用過一些資料增強的方法，接下來主要統計一些常見的影象增強的方法。 作為一種深度學習中的常用手段，影象增加對模型的泛化性和準確性都有幫

opencv+Python影象處理進階教程學習總結記錄（一）

教程：2 opencv+python影象處理進階 講解老師：賈志剛 1.1 進階主要內容概述：影象卷積與應用，直方圖應用，模板匹配，影象金字塔 1.2 模糊與卷積原理 上圖顯示為一維和二維的均值卷積示例 相關Api ： blur 程式碼示例 import c

Opencv + Python 影象標註矩形框

import cv2 fname = 'D:\**\**\***.jpg'' img = cv2.imread(fname) # 畫矩形框 pt1 = (257,200) pt2 = (291,222) cv2.rectangle(img, pt1, pt2, (255,0,0), 2) cv

OpenCv-Python 影象處理基本操作

1. 圖片載入、顯示和儲存import cv2 img = cv2.imread("01.jpg") imgGrey = cv2.imread("01.jpg",0) cv2.imshow("img"

OpenCV—python 影象矯正（基於傅立葉變換—基於透視變換）

影象校正執行環境 Anaconda| pycharm/jupyter notebook 你需要安裝如下庫 pip install numpy pip install matplotlib pip install opencv-python 一、基於傅立葉變換

OpenCV-Python 影象處理（二）：影象的讀取、顯示與儲存

說明： 本系列主要是學習OpenCV-Python文件的個人筆記。 很少有理論的敘述，都是函式名、引數描述、作用、應用場景、程式碼、效果圖。簡單明瞭，即學即用。 目標 學會讀取、顯示、儲存單張影象 對應的函式分佈為：cv2.imread() ,

機器視覺 OpenCV—python 影象資料集獲取工具（視訊取幀）

一、前言 之前在做影象分類的時候，人臉識別（開原始碼）的練手，資料集獲取麻煩（沒人願意將自己照片給人家做資料集），於是就用自己造資料集，但是拍照拍幾百張訓練效果不好，也嫌麻煩，乾脆就是視訊取幀的方式，在這之前使用專門的軟體。不過opencv自帶了視訊處理的API

openCV+python影象的讀取、顯示和儲存

使用cv2.imread()，cv2.imshow()，cv2.imwrite()讀取、顯示和儲存影象 一、讀入影象 使用函式cv2.imread(filepath,flags)讀入一副圖片 filepath：要讀入圖片的完整路徑 flags：讀入圖片的標誌 cv2

3. OpenCV-Python——影象梯度演算法、邊緣檢測、影象金字塔與輪廓檢測、直方圖與傅立葉變換

一、影象梯度演算法 1、影象梯度-Sobel運算元    dst = cv2.Sobel(src, ddepth, dx, dy, ksize) ddepth:影象的深度 dx和dy分別表示水平和豎直方向 ksize是Sobel運算元的大小 1 # ****************

【影象處理】OpenCV+Python影象處理入門教程（四）幾何變換

       這篇隨筆介紹使用OpenCV進行影象處理的第四章 幾何變換。 4  幾何變換        影象的幾何變換是指將一幅影象對映到另一幅影象內。有縮放、翻轉、仿射變換、透視、重對映等操作。 4.1 

【影象處理】OpenCV+Python影象處理入門教程（五）閾值處理

       這篇隨筆介紹使用OpenCV進行影象處理的第五章 閾值處理。 5  閾值處理 閾值是指畫素到達某臨界值。閾值處理表示畫素到達某臨界值後，對該畫素點進行操作和處理。 例如：設定一幅影象素閾值為200，則圖片中所有大於200的畫素點設定為2