当前位置：首页 > news >正文

小杰机器视觉（five day）——直方图均衡化

news 2025/8/30 13:33:23

1.直方图均衡化

（1）概念

一张好的图像通常在直方图上分布比较均匀，这样的图像对比度比较强烈（明暗差别大）。直方图均衡化可以提升原图的观感，需要遍历图像的像素，统计每个灰度值出现的频数、比例与累积比例，并重新映射到新的范围（如0-255，或其他范围），从而提升图像的观感。

均衡化之后的图像显示效果会更加强烈，具有广泛地应用前景：

医学影像处理
X光、CT扫描、核磁共振
摄影与监控
改善照片的对比度和色彩平衡提升观感
卫星影像处理
可以增加图像质量，提高解析度

（2）原始直方图均衡化

可以通过虚拟仿真实验的直方图均衡化节点，选择hist_method（直方图均衡化方法）中的equalizeHist参数设置为原始的直方图均衡化算法。

通过调整图像像素值的分布，使图像的对比度和亮度得到改善。

算法过程如下：

统计数据→

假设有一个3*3的图像，其灰度如上图所示，先统计每个像素值的频数、比例与累计比例，统计完成后，代入下面的公式：

新的像素值 = 要缩放的范围（通常为0-255）* 该像素的累计比例

比如灰度为50的像素点，范围255*累积比例0.33=84.15，取整后为84，使用灰度值84替换原图中50灰度值的像素点。原始图像src中所有的灰度值都带入以上公式，算出它们在目标图像dst中的新的灰度值，如下图所示。

代码

import cv2
import numpy as np# 直方图绘制函数
def draw_hist(image, color):"""绘制直方图:param image: 哪个图的直方图图像（灰度化之后的）:param color: 直方图柱子什么颜色，BGR元组:return: 直方图图像"""hist = cv2.calcHist([image],  # 计算直方图的图像，支持多图像输入，因此一个图像也要写成列表[0],  # 要计算的图像灰度值通道需要，灰度图直接传0None,  # 掩膜，全图计算不需要[256],  # 直方图x轴的精细程度，256表示分为256份[0, 255]  # x轴的范围)print(hist.shape)  # (256, 1) 256表示有256个灰度频数数据# 提取关键数据min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(hist)# print('min_val:', min_val)  # 0.0，最小的灰度频数print('max_val:', max_val)  # 471606.0，最大的灰度频数# print('min_loc:', min_loc)  # (0, 255)，最小的灰度频数对应的灰度值# print('max_loc:', max_loc)  # (0, 1)，最大的灰度频数对应的灰度值# 创建一张纯黑图，画柱子hist_img = np.zeros([256, 256, 3], np.uint8)# 为了让y轴最高的柱子留一部门空白，最高柱子的高度hpt = int(256 * 0.9)for h in range(256):  # 从0到255，每个灰度画柱子# 柱子高度（整数） = 直方图的最高值hpt * 每个灰度的频数/最高的频数intensity = int(hpt * hist[h] / max_val)# print(intensity)# 画柱子（线）cv2.line(hist_img,(h, 256),  # x轴的起始点(h, 256 - intensity),  # 线段从下往上画的终点color)return hist_imgif __name__ == '__main__':# 1. 图片输入path = 'ct.png'image_np = cv2.imread(path)# 2. 灰度化image_np_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)# 3. 绘制直方图color = {'red': (0, 0, 255),'green': (0, 255, 0),'blue': (255, 0, 0)}hist_img = draw_hist(image_np_gray, color['green'])# 4. 直方图均衡化equ_hist_image_np = cv2.equalizeHist(image_np_gray)# 5. 绘制直方图eqi_hist_img = draw_hist(equ_hist_image_np, color['red'])# 6. 图片输出cv2.imshow('hist_img', hist_img)cv2.imshow('eqi_hist_img', eqi_hist_img)cv2.imwrite('equ_hist_image_np.jpg', equ_hist_image_np)cv2.waitKey(0)

该算法适用于图像的灰度分布不均匀且灰度分布较窄的图像，可以提升图像的细节和对比度。但是，传统的直方图均衡化方法会引入噪声，并导致图像中出现过度增强的区域。这是没有考虑到图像的局部特征和全图对比度的差异导致的。

（3）自适应均衡化

在直方图均值化节点中，选择hist_method为createCLAHE（自适应均衡化，对比度受限的自适应均衡化）方法。

这种方法可以在小区域（8*8）内进行直方图均衡化，因此将对比度进行了限制。如果小区域内有噪声，也会被放大，需要对小区域进行对比度限制。

主要步骤如下：

1. 将图像分为大小相同的矩形块，块分的越细，相对效果越好。

2. 统计每个块的直方图信息，并生成每个块单独的直方图H。

3. 根据设置的限制参数强度，对直方图信息重新分配。

（a）设定一个阈值T，将均衡化后的直方图从H[0]到H[255]（灰度0-255，即x轴）上依次遍历，把大于阈值T的都全部减去，并统计一共减去了多少个像素。

（b）将减去的像素值的和除以缩放的范围（256），添加到每个灰度值的频数。

4. 重复2、3步骤，直到全图所有的块计算完成。

5. 为了再次减少块状效应，对每个小块进行双线性插值。

注意：

把原始图像分为小块处理时，如果不是整数倍，默认内部使用BORDER_REFLECT_101进行边界填充，以此来保证分割的是整数倍。
双线性插值计算不公平问题

（a）对于四个角点（红色），直接使用均衡化之后的像素值。
（b）对于在frame上的像素点（绿色），进行单线性插值。
（c）其他情况的像素点（蓝色），进行双线性插值。

下面是自适应均衡化的相关参数：

clipLimit

对比度限制阈值

tileGridSize

小区块范围，推荐8*8

代码

import cv2
import numpy as np# 直方图绘制函数
def draw_hist(image, color):"""绘制直方图:param image: 哪个图的直方图图像（灰度化之后的）:param color: 直方图柱子什么颜色，BGR元组:return: 直方图图像"""hist = cv2.calcHist([image],  # 计算直方图的图像，支持多图像输入，因此一个图像也要写成列表[0],  # 要计算的图像灰度值通道需要，灰度图直接传0None,  # 掩膜，全图计算不需要[256],  # 直方图x轴的精细程度，256表示分为256份[0, 255]  # x轴的范围)print(hist.shape)  # (256, 1) 256表示有256个灰度频数数据# 提取关键数据min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(hist)# print('min_val:', min_val)  # 0.0，最小的灰度频数print('max_val:', max_val)  # 471606.0，最大的灰度频数# print('min_loc:', min_loc)  # (0, 255)，最小的灰度频数对应的灰度值# print('max_loc:', max_loc)  # (0, 1)，最大的灰度频数对应的灰度值# 创建一张纯黑图，画柱子hist_img = np.zeros([256, 256, 3], np.uint8)# 为了让y轴最高的柱子留一部门空白，最高柱子的高度hpt = int(256 * 0.9)for h in range(256):  # 从0到255，每个灰度画柱子# 柱子高度（整数） = 直方图的最高值hpt * 每个灰度的频数/最高的频数intensity = int(hpt * hist[h] / max_val)# print(intensity)# 画柱子（线）cv2.line(hist_img,(h, 256),  # x轴的起始点(h, 256 - intensity),  # 线段从下往上画的终点color)return hist_imgif __name__ == '__main__':# 1. 图片输入path = 'ct.png'image_np = cv2.imread(path)# 2. 灰度化image_np_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)# 3. 绘制直方图color = {'red': (0, 0, 255),'green': (0, 255, 0),'blue': (255, 0, 0)}hist_img = draw_hist(image_np_gray, color['green'])# 4. 直方图均衡化# equ_hist_image_np = cv2.equalizeHist(image_np_gray)# 创建自适应直方图均衡化的参数对象clahe = cv2.createCLAHE(clipLimit=3,  # 对比度限制阈值tileGridSize=(80, 80)  # 小区域面积)# 自适应直方图均衡化equ_hist_image_np = clahe.apply(image_np_gray)# 5. 绘制直方图eqi_hist_img = draw_hist(equ_hist_image_np, color['red'])# 6. 图片输出cv2.imshow('hist_img', hist_img)cv2.imshow('eqi_hist_img', eqi_hist_img)cv2.imwrite('equ_hist_image_np3.jpg', equ_hist_image_np)cv2.waitKey(0)