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 

1. 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。

2. 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