python+opencv 直方圖均衡化原理

參看博客：

 1.http://www.cnblogs.com/tianyalu/p/5687782.html

 2.https://blog.csdn.net/zmdsjtu/article/details/77993135

 3.https://blog.csdn.net/u010839382/article/details/49584181 （詳細解釋了CLAHE的原理，很有用）

HE： histogram equalization 直方圖均衡化

AHE: adapative histogram equalization 自適應直方圖均衡化, 加了分塊而已。

CLAHE: contrast-limited adapative histogram equalization 對比度受限的自適應直方圖均衡化, 可用性最好。

 

直方圖均衡化的作用是圖像增強。

有兩個問題比較難懂，一是為什么要選用累積分布函數，二是為什么使用累積分布函數處理后像素值會均勻分布。

第一個問題。均衡化過程中，必須要保證兩個條件：

①像素無論怎么映射，一定要保證原來的大小關系不變，較亮的區域，依舊是較亮的，較暗依舊暗，只是對比度增大，絕對不能明暗顛倒；

②如果是八位圖像，那么像素映射函數的值域應在0和255之間的，不能越界。

綜合以上兩個條件，累積分布函數是個好的選擇，因為累積分布函數是單調增函數（控制大小關系），並且值域是0到1（控制越界問題），所以直方圖均衡化中使用的是累積分布函數。

第二個問題。累積分布函數具有一些好的性質，那么如何運用累積分布函數使得直方圖均衡化？比較概率分布函數和累積分布函數，前者的二維圖像是參差不齊的，后者是單調遞增的。直方圖均衡化過程中，映射方法是

其中，n是圖像中像素的總和，是當前灰度級的像素個數，L是圖像中可能的灰度級總數。

來看看通過上述公式怎樣實現的拉伸。假設有如下圖像：

得圖像的統計信息如下圖所示，並根據統計信息完成灰度值映射：

映射后的圖像如下所示：

 

 

CLAHE原理：通過改變直方圖中超過cliplimit值的個數，來達到平滑直方圖的目的。

關鍵的是，如何把一個頻數非常高的對應像素值的點，改成其他頻數較少像素值的點？

 

附代碼：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

def equalHist_demo(image):
    '''全局直方圖的圖像增強'''
    gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)#圖像增強必須要轉灰度圖
    dst=cv.equalizeHist(gray) #全局直方圖，整體進行圖像增強，可能會壞事，不夠靈活
    cv.imshow('equalizeHist',dst)

def clahe_demo(image):
    '''局部直方圖的圖像增強'''
    # gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)  # 圖像增強必須要轉灰度圖
    gray=image
    clahe= cv.createCLAHE(clipLimit=2.0,tileGridSize=(8,8)) #定義CLAHE
    dst=clahe.apply(gray)
    cv.imshow('CLAHE', dst)


src=cv.imread('D:/pycharm/pycharmproject/test.jpg')
src=cv.cvtColor(src,cv.COLOR_BGR2GRAY)
cv.imshow('src',src)
# equalHist_demo(src)
clahe_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()