Python+OpenCV解决彩色图亮度不均衡问题 Python+OpenCV解决彩色图亮度不均

前言
处理

对比度拉伸
log变换
Gamma校正
直方图均衡化
对比度自适应直方图均衡化(CLAHE)

处理结果展示

附源码

opencv版本
skimage版本

前言 CSDN博客好久没有换过头像了，想换个新头像，在相册里面翻来翻去，然后就找到以前养的小宠物的一些照片，有一张特别有意思

文章图片

惊恐到站起来的金丝熊：这家伙不会要吃我吧
没见过仓鼠的小猫：这啥玩意儿？
好，就决定把这张图当自己的头像了
一顿操作之后，把头像换成了这张照片

文章图片

此时我：啥玩意儿？
。。。。感觉黑乎乎的，啥也看不清
这时候我想起来我学过图像处理，这用亮度变换搞一下不就可以了吗，搞起来！
注意：一般对灰度图进行亮度变换的多一点，但是我这张图是RGB图（准确来说是RGBA，但我们只取前三个通道），对于RGB图，我这里对其每个通道分别进行处理然后拼接处理

处理
对比度拉伸
也就是把图像重新缩放到指定的范围内

# 对比度拉伸p1, p2 = np.percentile(img, (0, 70))# numpy计算多维数组的任意百分比分位数rescale_img = np.uint8((np.clip(img, p1, p2) - p1) / (p2 - p1) * 255)

【Python+OpenCV解决彩色图亮度不均衡问题】其中，numpy的percentile函数可以计算多维数组的任意百分比分位数，因为我的图片中整体偏暗，我就把原图灰度值的0% ~ 70%缩放到0 ~255

log变换
使用以下公式进行映射：

文章图片

# 对数变换log_img = np.zeros_like(img)scale, gain = 255, 1.5for i in range(3):log_img[:, :, i] = np.log(img[:, :, i] / scale + 1) * scale * gain

Gamma校正
使用以下公式进行映射：

文章图片

# gamma变换gamma, gain, scale = 0.7, 1, 255gamma_img = np.zeros_like(img)for i in range(3):gamma_img[:, :, i] = ((img[:, :, i] / scale) ** gamma) * scale * gain

直方图均衡化
使用直方图均衡后的图像具有大致线性的累积分布函数，其优点是不需要参数。
其原理为，考虑这样一个图像，它的像素值被限制在某个特定的值范围内，即灰度范围不均匀。所以我们需要将其直方图缩放遍布整个灰度范围(如下图所示，来自维基百科)，这就是直方图均衡化所做的(简单来说)。这通常会提高图像的对比度。

文章图片

这里使用OpenCV来演示。

# 直方图均衡化equa_img = np.zeros_like(img)for i in range(3):equa_img[:, :, i] = cv.equalizeHist(img[:, :, i])

对比度自适应直方图均衡化(CLAHE)
这是一种自适应直方图均衡化方法
OpenCV提供了该方法。

# 对比度自适应直方图均衡化clahe_img = np.zeros_like(img)clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))for i in range(3):clahe_img[:, :, i] = clahe.apply(img[:, :, i])

处理结果展示使用Matplotlib显示上述几种方法的结果：

文章图片

可以看到，前四种方法效果都差不多，都有一个问题亮的地方过于亮，这是因为他们考虑的是全局对比度，而且因为我们使用的彩色图像原因，使用log变换的结果图中有部分区域色彩失真。最后一种CLAHE方法考虑的是局部对比度，所以效果会好一点。
因为图像是彩色的，这里我只绘制了R通道的直方图（红色线）及其累积分布函数（黑色线）

文章图片

可以看到均衡后的图像具有大致线性的累积分布函数。
总之，经过以上的探索，我最终决定使用CLAHE均衡后的结果

文章图片

感觉是比之前的好了点

附源码
opencv版本

import cv2.cv2 as cvimport matplotlib.pyplot as pltimport numpy as npdef plot_img_and_hist(image, axes, bins=256):"""Plot an image along with its histogram and cumulative histogram."""ax_img, ax_hist = axesax_cdf = ax_hist.twinx()# Display imageax_img.imshow(image, cmap=plt.cm.gray)ax_img.set_axis_off()# Display histogramcolors = ['red', 'green', 'blue']for i in range(1):ax_hist.hist(image[:, :, i].ravel(), bins=bins, histtype='step', color=colors[i])ax_hist.ticklabel_format(axis='y', style='scientific', scilimits=(0, 0))ax_hist.set_xlabel('Pixel intensity')ax_hist.set_xlim(0, 255)# 这里范围为0~255 如果使用img_as_float，则这里为0~1ax_hist.set_yticks([])# Display cumulative distributionfor i in range(1):hist, bins = np.histogram(image[:, :, i].flatten(), 256, [0, 256])cdf = hist.cumsum()cdf = cdf * float(hist.max()) / cdf.max()ax_cdf.plot(bins[1:], cdf, 'k')ax_cdf.set_yticks([])return ax_img, ax_hist, ax_cdfdef plot_all(images, titles, cols):"""输入titles、images、以及每一行多少列，自动计算行数、并绘制图像和其直方图:param images::param titles::param cols: 每一行多少列:return:"""fig = plt.figure(figsize=(12, 8))img_num = len(images)# 图片的个数rows = int(np.ceil(img_num / cols) * 2)# 上图下直方图所以一共显示img_num*2个子图axes = np.zeros((rows, cols), dtype=object)axes = axes.ravel()axes[0] = fig.add_subplot(rows, cols, 1)# 先定义第一个img 单独拿出来定义它是为了下面的sharex# 开始创建所有的子窗口for i in range(1, img_num):#axes[i + i // cols * cols] = fig.add_subplot(rows, cols, i + i // cols * cols + 1, sharex=axes[0],sharey=axes[0])for i in range(0, img_num):axes[i + i // cols * cols + cols] = fig.add_subplot(rows, cols, i + i // cols * cols + cols + 1)for i in range(0, img_num):# 这里从1开始，因为第一个在上面已经绘制过了ax_img, ax_hist, ax_cdf = plot_img_and_hist(images[i],(axes[i + i // cols * cols], axes[i + i // cols * cols + cols]))ax_img.set_title(titles[i])y_min, y_max = ax_hist.get_ylim()ax_hist.set_ylabel('Number of pixels')ax_hist.set_yticks(np.linspace(0, y_max, 5))ax_cdf.set_ylabel('Fraction of total intensity')ax_cdf.set_yticks(np.linspace(0, 1, 5))# prevent overlap of y-axis labelsfig.tight_layout()plt.show()plt.close(fig)if __name__ == '__main__':img = cv.imread('catandmouse.png', cv.IMREAD_UNCHANGED)[:, :, :3]img = cv.cvtColor(img, cv.COLOR_BGR2RGB)gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)# 对比度拉伸p1, p2 = np.percentile(img, (0, 70))# numpy计算多维数组的任意百分比分位数rescale_img = np.uint8((np.clip(img, p1, p2) - p1) / (p2 - p1) * 255)# 对数变换log_img = np.zeros_like(img)scale, gain = 255, 1.5for i in range(3):log_img[:, :, i] = np.log(img[:, :, i] / scale + 1) * scale * gain# gamma变换gamma, gain, scale = 0.7, 1, 255gamma_img = np.zeros_like(img)for i in range(3):gamma_img[:, :, i] = ((img[:, :, i] / scale) ** gamma) * scale * gain# 彩色图直方图均衡化# 直方图均衡化equa_img = np.zeros_like(img)for i in range(3):equa_img[:, :, i] = cv.equalizeHist(img[:, :, i])# 对比度自适应直方图均衡化clahe_img = np.zeros_like(img)clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))for i in range(3):clahe_img[:, :, i] = clahe.apply(img[:, :, i])titles = ['img', 'rescale', 'log', 'gamma', 'equalizeHist', 'CLAHE']images = [img, rescale_img, log_img, gamma_img, equa_img, clahe_img]plot_all(images, titles, 3)

skimage版本

from skimage import exposure, util, io, color, filters, morphologyimport matplotlib.pyplot as pltimport numpy as npdef plot_img_and_hist(image, axes, bins=256):"""Plot an image along with its histogram and cumulative histogram."""image = util.img_as_float(image)ax_img, ax_hist = axesax_cdf = ax_hist.twinx()# Display imageax_img.imshow(image, cmap=plt.cm.gray)ax_img.set_axis_off()# Display histogramcolors = ['red', 'green', 'blue']for i in range(1):ax_hist.hist(image[:, :, i].ravel(), bins=bins, histtype='step', color=colors[i])ax_hist.ticklabel_format(axis='y', style='scientific', scilimits=(0, 0))ax_hist.set_xlabel('Pixel intensity')ax_hist.set_xlim(0, 1)ax_hist.set_yticks([])# Display cumulative distributionfor i in range(1):img_cdf, bins = exposure.cumulative_distribution(image[:, :, i], bins)ax_cdf.plot(bins, img_cdf, 'k')ax_cdf.set_yticks([])return ax_img, ax_hist, ax_cdfdef plot_all(images, titles, cols):"""输入titles、images、以及每一行多少列，自动计算行数、并绘制图像和其直方图:param images::param titles::param cols: 每一行多少列:return:"""fig = plt.figure(figsize=(12, 8))img_num = len(images)# 图片的个数rows = int(np.ceil(img_num / cols) * 2)# 上图下直方图所以一共显示img_num*2个子图axes = np.zeros((rows, cols), dtype=object)axes = axes.ravel()axes[0] = fig.add_subplot(rows, cols, 1)# 先定义第一个img 单独拿出来定义它是为了下面的sharex# 开始创建所有的子窗口for i in range(1, img_num):#axes[i + i // cols * cols] = fig.add_subplot(rows, cols, i + i // cols * cols + 1, sharex=axes[0],sharey=axes[0])for i in range(0, img_num):axes[i + i // cols * cols + cols] = fig.add_subplot(rows, cols, i + i // cols * cols + cols + 1)for i in range(0, img_num):# 这里从1开始，因为第一个在上面已经绘制过了ax_img, ax_hist, ax_cdf = plot_img_and_hist(images[i],(axes[i + i // cols * cols], axes[i + i // cols * cols + cols]))ax_img.set_title(titles[i])y_min, y_max = ax_hist.get_ylim()ax_hist.set_ylabel('Number of pixels')ax_hist.set_yticks(np.linspace(0, y_max, 5))ax_cdf.set_ylabel('Fraction of total intensity')ax_cdf.set_yticks(np.linspace(0, 1, 5))# prevent overlap of y-axis labelsfig.tight_layout()plt.show()plt.close(fig)if __name__ == '__main__':img = io.imread('catandmouse.png')[:, :, :3]gray = color.rgb2gray(img)# 对比度拉伸p1, p2 = np.percentile(img, (0, 70))# numpy计算多维数组的任意百分比分位数rescale_img = exposure.rescale_intensity(img, in_range=(p1, p2))# 对数变换# img = util.img_as_float(img)log_img = np.zeros_like(img)for i in range(3):log_img[:, :, i] = exposure.adjust_log(img[:, :, i], 1.2, False)# gamma变换gamma_img = np.zeros_like(img)for i in range(3):gamma_img[:, :, i] = exposure.adjust_gamma(img[:, :, i], 0.7, 2)# 彩色图直方图均衡化equa_img = np.zeros_like(img, dtype=np.float64)# 注意直方图均衡化输出值为float类型的for i in range(3):equa_img[:, :, i] = exposure.equalize_hist(img[:, :, i])# 对比度自适应直方图均衡化clahe_img = np.zeros_like(img, dtype=np.float64)for i in range(3):clahe_img[:, :, i] = exposure.equalize_adapthist(img[:, :, i])# 局部直方图均衡化效果不好就不放了selem = morphology.rectangle(50, 50)loc_img = np.zeros_like(img)for i in range(3):loc_img[:, :, i] = filters.rank.equalize(util.img_as_ubyte(img[:, :, i]), footprint=selem)# Display resultstitles = ['img', 'rescale', 'log', 'gamma', 'equalizeHist', 'CLAHE']images = [img, rescale_img, log_img, gamma_img, equa_img, clahe_img]plot_all(images, titles, 3)

以上就是Python+OpenCV解决彩色图亮度不均衡问题的详细内容，更多关于Python OpenCV彩色图亮度不均衡的资料请关注脚本之家其它相关文章！