如何使用 OpenCV 实现图像均衡?
来源 | 小白视觉志
头图 | 下载于视觉中国
我们已经练习了很多图像处理——操作图像(精确地说是图像矩阵)。为此,我们探索了图像的均衡方法,以便在一定程度上增强对比度,以使被处理的图像看起来比原始图像更好,这种技术称为直方图均衡化。
通常,发生的情况是在捕获图像时,它与自然视图并不相同。为了满足自然视图的水平,应进行后处理。因此,直方图均衡化(归一化)是通过调整图像的像素值来增强对比度的技术之一。
可以在下面看到一个示例:原始图像和均等图像。
如果我们要绘制图像直方图,它将看起来像下面的样子:
直方图均衡化的重要性
该方法对于亮和暗图像都效果更好,特别是在医学领域中,分析X射线图像的重要性更高。
在查看科学图像(例如热图像和卫星图像)时也非常有用
执行步骤
在本文中,我们将通过使用openCV库以及使用justNumPy和从头开始实现此方法Matplotlib。尽管我们想不使用来做NumPy,但要花很多时间才能计算出来。
添加依赖库
import numpy as npimport cv2import jsonfrom matplotlib import pyplot as plt
读取图像
def read_this(image_file, gray_scale=False):image_src = cv2.imread(image_file)if gray_scale:image_src = cv2.cvtColor(image_src, cv2.COLOR_BGR2GRAY)else:image_src = cv2.cvtColor(image_src, cv2.COLOR_BGR2RGB)return image_src
上面的函数读取gray_scale或中的图像,RGB然后返回图像矩阵。
用库实现代码
为了均衡,我们可以简单地使用equalizeHist()库中可用的方法cv2。
1.读入图像时RGB。
根据颜色组合分离像素。我们可以使用split()库中可用的方法cv2。
对每个矩阵应用均衡方法。
将均衡的图像矩阵与merge()库中可用的方法合并在一起cv2。
2.读入图像时gray_scale。
3.绘制原始图像和均衡图像。
def equalize_this(image_file, with_plot=False, gray_scale=False):image_src = read_this(image_file=image_file, gray_scale=gray_scale)if not gray_scale:r_image, g_image, b_image = cv2.split(image_src)r_image_eq = cv2.equalizeHist(r_image)g_image_eq = cv2.equalizeHist(g_image)b_image_eq = cv2.equalizeHist(b_image)image_eq = cv2.merge((r_image_eq, g_image_eq, b_image_eq))cmap_val = Noneelse:image_eq = cv2.equalizeHist(image_src)cmap_val = 'gray'if with_plot:fig = plt.figure(figsize=(10, 20))ax1 = fig.add_subplot(2, 2, 1)ax1.axis("off")ax1.title.set_text('Original')ax2 = fig.add_subplot(2, 2, 2)ax2.axis("off")ax2.title.set_text("Equalized")ax1.imshow(image_src, cmap=cmap_val)ax2.imshow(image_eq, cmap=cmap_val)return Truereturn image_eq
代码测试
equalize_this(image_file='lena_original.png', with_plot=True)
equalize_this(image_file = 'lena_original.png',with_plot = True,gray_scale = True)
实现代码
为此,我们正在使用NumPy所有矩阵运算。同样,我们可以使用for循环来执行此操作,但是它将花费更多的时间进行计算。即使在这里,我们也有两个方面:
1.读入图像时RGB。
根据颜色组合分离像素。我们可以使用NumPy操作将其切细。
对每个矩阵应用均衡方法。
将均衡的图像矩阵与dstack(tup=())库中可用的方法合并在一起NumPy。
2.读入图像时gray_scale。
3.绘制原始图像和均衡图像。
让我们编写我们自己的函数来计算图像均衡,图像像素值通常在0到255之间。因此,总共有256个像素。
def enhance_contrast(image_matrix, bins=256):image_flattened = image_matrix.flatten()image_hist = np.zeros(bins)# frequency count of each pixelfor pix in image_matrix:image_hist[pix] += 1# cummulative sumcum_sum = np.cumsum(image_hist)norm = (cum_sum - cum_sum.min()) * 255 # normalization of the pixel valuesn_ = cum_sum.max() - cum_sum.min()uniform_norm = norm / n_uniform_norm = uniform_norm.astype('int')# flat histogramimage_eq = uniform_norm[image_flattened] # reshaping the flattened matrix to its original shapeimage_eq = np.reshape(a=image_eq, newshape=image_matrix.shape)
return image_eq
当将原始图像矩阵作为参数传递时,上述函数将返回一个均衡的图像矩阵。
让我们编写另一个函数,该函数为RGB图像和gray_scale使用上述功能的图像计算均衡。
def equalize_this(image_file, with_plot=False, gray_scale=False, bins=256):image_src = read_this(image_file=image_file, gray_scale=gray_scale)if not gray_scale:r_image = image_src[:, :, 0]g_image = image_src[:, :, 1]b_image = image_src[:, :, 2]
r_image_eq = enhance_contrast(image_matrix=r_image)g_image_eq = enhance_contrast(image_matrix=g_image)b_image_eq = enhance_contrast(image_matrix=b_image)
image_eq = np.dstack(tup=(r_image_eq, g_image_eq, b_image_eq))cmap_val = Noneelse:image_eq = enhance_contrast(image_matrix=image_src)cmap_val = 'gray'
if with_plot:fig = plt.figure(figsize=(10, 20))
ax1 = fig.add_subplot(2, 2, 1)ax1.axis("off")ax1.title.set_text('Original')ax2 = fig.add_subplot(2, 2, 2)ax2.axis("off")ax2.title.set_text("Equalized")
ax1.imshow(image_src, cmap=cmap_val)ax2.imshow(image_eq, cmap=cmap_val)return Truereturn image_eq
代码测试
equalize_this(image_file='lena_original.png', with_plot=True)
equalize_this(image_file='lena_original.png', with_plot=True, gray_scale=True)
总结
我们探索和实施不同的方法来增加图像强度,从而学到了很多东西。特别是,尝试通过引用和学习从头实现代码。
使用库方法始终是一件好事,因为它们更加优化并且可以100%工作。
图像处理是一门非常重要的学科,确实值得尝试,要有很多好奇心和自己的探索。
更多精彩推荐
☞AI 3D 传感器市场竞争白热化,中国掌握自主可控核心技术时不我待!☞小心!你家的 IoT 设备可能已成为僵尸网络“肉鸡”☞换脸火了,我用 python 快速入门生成模型点分享点收藏点点赞点在看
如何使用 OpenCV 实现图像均衡?相关推荐
- 如何使用OpenCV实现图像均衡???
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 我们已经练习了很多图像处理--操作图像(精确地说是图像矩阵).为此 ...
- python去除图像光照不均匀_python+opencv——去除图像光照不均匀
使用python版本的opencv去除图像中的光照不均匀 在图像处理中,如果图像中存在光照不均匀,则会影响图像处理的效果,比如在图像文本识别和图像分割中.本博客对于图像均衡化的处理主要参考文章:一种基 ...
- pythonopencv读取图像属性_2、OpenCV Python 图像属性获取
__author__ = "WSX" import cv2 as cv import numpy as np image = cv.imread("1.JPG" ...
- Python,OpenCV骨架化图像并显示(skeletonize)
Python,OpenCV骨架化图像并显示(skeletonize) 1. 效果图 2. 源码 参考: 1. 效果图 自己画一张图,原图 VS 骨架效果图如下: opencv logo原图 VS 骨架 ...
- 使用Python,OpenCV制作图像Mask——截取ROIs及构建透明的叠加层
使用Python,OpenCV制作图像Mask--截取ROIs及构建透明的叠加层 1. 效果图 2. 源码 参考 这篇博客将介绍如何使用OpenCV制作Mask图像掩码.使用位运算和图像掩码允许我们只 ...
- 使用Python,OpenCV实现图像和实时视频流中的人脸模糊和马赛克
使用Python,OpenCV实现图像和实时视频流中的人脸模糊和人脸马赛克 1. 效果图 2. 原理 2.1 什么是人脸模糊,如何将其用于人脸匿名化? 2.2 执行人脸模糊/匿名化的步骤 3. 源码 ...
- 使用Python和OpenCV检测图像中的条形码
使用Python和OpenCV检测图像中的条形码 1. 效果图 2. 算法的步骤 3. 源码 参考 这篇博客将介绍使用计算机视觉和图像处理技术进行条形码检测的必要步骤,并演示使用Python编程语言和 ...
- 使用Python,OpenCV查找图像中的最亮点
Python,OpenCV找出图像中的最亮点 1. 原理 2. 优化 3. 效果图 4. 源码 参考 这篇博客将向您展示如何使用Python和OpenCV查找图像中的最亮点,以及应用单行预处理代码-- ...
- 使用Python和OpenCV在图像之间执行超快速的颜色转换
使用Python和OpenCV在图像之间执行超快速的颜色转换 1. 效果图 2. 原理 2.1 颜色转移算法 2.2 步骤 2.3 算法改进 3. 源码 参考 这篇博客将介绍如何使用Python和Op ...
最新文章
- Spring Boot 监听 Redis Key 失效事件实现定时任务
- 【机器学习】朴素贝叶斯、SVM和数据分布检验分析
- python查询天气
- 文献记录(part91)--A boundary method for outlier detection based on support vector domain description
- g77,g95,gfortran的关系
- java println 数组_java 数组输出
- 哪个专业学python语言_想学Python编程?你真的适合吗?
- windows--bat--%0无限执行当前bat脚本
- WinForm 使用 HttpUtility
- Tomcat出现中文乱码
- css的盒子模型与定位机制解读随记
- 阿里巴巴余军:钉钉宜搭低代码实践之路
- 07.合成复用原则(Composite/Aggregate Reuse Principle,CARP)
- 在BuildConfig中添加自定义字段
- DIV布局强制英文换行(div英文不怎么给力啊~ 只有用别的方法啦)
- Mysteel解读:2022年1-10月份马铃薯淀粉进口数据分析
- Proximal Policy Optimization Algorithms翻译
- 系统常用的通信对接方式
- jQurey中getJSON方法错误回调方法
- Unity使用c#开发遇上的问题(六)(3dmax围绕指定中心旋转,unity中动态调用预制体并根据模型旋转指定角度)