摘要：本文主要講解圖像局部直方圖均衡化和自動色彩均衡化處理。這些演算法可以廣泛應用於圖像增強、圖像去噪、圖像去霧等領域。 本文分享自華為雲社區《[Python從零到壹] 五十四.圖像增強及運算篇之局部直方圖均衡化和自動色彩均衡化處理》，作者： eastmount。 一.局部直方圖均衡化 前文通過調用O ...
摘要：本文主要講解圖像局部直方圖均衡化和自動色彩均衡化處理。這些演算法可以廣泛應用於圖像增強、圖像去噪、圖像去霧等領域。
本文分享自華為雲社區《[Python從零到壹] 五十四.圖像增強及運算篇之局部直方圖均衡化和自動色彩均衡化處理》，作者： eastmount。
一.局部直方圖均衡化
前文通過調用OpenCV中equalizeHist()函數實現直方圖均衡化處理，該方法簡單高效，但其實它是一種全局意義上的均衡化處理，很多時候這種操作不是很好，會把某些不該調整的部分給均衡處理了。同時，圖像中不同的區域灰度分佈相差甚遠，對它們使用同一種變換常常產生不理想的效果，實際應用中，常常需要增強圖像的某些局部區域的細節。
為瞭解決這類問題，Pizer等提出了局部直方圖均衡化的方法（AHE），但AHE方法僅僅考慮了局部區域的像素，忽略了圖像其他區域的像素，且對於圖像中相似區域具有過度放大雜訊的缺點。為此K. Zuiderveld等人提出了對比度受限CLAHE的圖像增強方法，通過限制局部直方圖的高度來限制局部對比度的增強幅度，從而限制雜訊的放大及局部對比度的過增強，該方法常用於圖像增強，也可以被用來進行圖像去霧操作[1-2]。
在OpenCV中，調用函數createCLAHE()實現對比度受限的局部直方圖均衡化。它將整個圖像分成許多小塊（比如按10×10作為一個小塊），那麼對每個小塊進行均衡化。這種方法主要對於圖像直方圖不是那麼單一的（比如存在多峰情況）圖像比較實用。其函數原型如下所示：
retval = createCLAHE([, clipLimit[, tileGridSize]])
- clipLimit參數表示對比度的大小
- tileGridSize參數表示每次處理塊的大小
調用createCLAHE()實現對比度受限的局部直方圖均衡化的代碼如下：
# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt #讀取圖片 img = cv2.imread('lena.bmp') #灰度轉換 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #局部直方圖均衡化處理 clahe = cv2.createCLAHE(clipLimit=2, tileGridSize=(10,10)) #將灰度圖像和局部直方圖相關聯, 把直方圖均衡化應用到灰度圖 result = clahe.apply(gray) #顯示圖像 plt.subplot(221) plt.imshow(gray, cmap=plt.cm.gray), plt.axis("off"), plt.title('(a)') plt.subplot(222) plt.imshow(result, cmap=plt.cm.gray), plt.axis("off"), plt.title('(b)') plt.subplot(223) plt.hist(img.ravel(), 256), plt.title('(c)') plt.subplot(224) plt.hist(result.ravel(), 256), plt.title('(d)') plt.show()
輸出結果如圖1所示，圖1(a)為原始圖像，對應的直方圖為圖1©，圖1(b)和圖1(d)為對比度受限的局部直方圖均衡化處理後的圖像及對應直方圖，它讓圖像的灰度值分佈更加均衡。可以看到，相對於全局的直方圖均衡化，這個局部的均衡化似乎得到的效果更自然一點。
二.自動色彩均衡化
Retinex演算法是代表性的圖像增強演算法，它根據人的視網膜和大腦皮層模擬對物體顏色的波長光線反射能力而形成，對複雜環境下的一維條碼具有一定範圍內的動態壓縮，對圖像邊緣有著一定自適應的增強。自動色彩均衡（Automatic Color Enhancement，ACE）演算法是在Retinex演算法的理論上提出的，它通過計算圖像目標像素點和周圍像素點的明暗程度及其關係來對最終的像素值進行校正，實現圖像的對比度調整，產生類似人體視網膜的色彩恆常性和亮度恆常性的均衡，具有很好的圖像增強效果[3-4]。
ACE演算法包括兩個步驟，一是對圖像進行色彩和空域調整，完成圖像的色差校正，得到空域重構圖像；二是對校正後的圖像進行動態擴展。ACE演算法計算公式如下：
其中，W是權重參數，離中心點像素越遠的W值越小；g是相對對比度調節參數，其計算方法如公式(22-2)所示，a表示控制參數，值越大細節增強越明顯。
圖2是條形碼圖像進行ACE圖像增強後的效果圖，通過圖像增強後的圖(b)對比度更強，改善了原圖像的明暗程度，增強的同時保持了圖像的真實性。
由於OpenCV中暫時沒有ACE演算法包，下麵的代碼是借鑒“zmshy2128”老師的文章，修改實現的彩色直方圖均衡化處理[5]。
# -*- coding: utf-8 -*- # By:Eastmount # 參考zmshy2128老師文章 import cv2 import numpy as np import math import matplotlib.pyplot as plt #線性拉伸處理 #去掉最大最小0.5%的像素值 線性拉伸至[0,1] def stretchImage(data, s=0.005, bins = 2000): ht = np.histogram(data, bins); d = np.cumsum(ht[0])/float(data.size) lmin = 0; lmax=bins-1 while lmin<bins: if d[lmin]>=s: break lmin+=1 while lmax>=0: if d[lmax]<=1-s: break lmax-=1 return np.clip((data-ht[1][lmin])/(ht[1][lmax]-ht[1][lmin]), 0,1) #根據半徑計算權重參數矩陣 g_para = {} def getPara(radius = 5): global g_para m = g_para.get(radius, None) if m is not None: return m size = radius*2+1 m = np.zeros((size, size)) for h in range(-radius, radius+1): for w in range(-radius, radius+1): if h==0 and w==0: continue m[radius+h, radius+w] = 1.0/math.sqrt(h**2+w**2) m /= m.sum() g_para[radius] = m return m #常規的ACE實現 def zmIce(I, ratio=4, radius=300): para = getPara(radius) height,width = I.shape #Python3報錯如下 使用列表append修改 zh = [] zw = [] n = 0 while n < radius: zh.append(0) zw.append(0) n += 1 for n in range(height): zh.append(n) for n in range(width): zw.append(n) n = 0 while n < radius: zh.append(height-1) zw.append(width-1) n += 1 #print(zh) #print(zw) Z = I[np.ix_(zh, zw)] res = np.zeros(I.shape) for h in range(radius*2+1): for w in range(radius*2+1): if para[h][w] == 0: continue res += (para[h][w] * np.clip((I-Z[h:h+height, w:w+width])*ratio, -1, 1)) return res #單通道ACE快速增強實現 def zmIceFast(I, ratio, radius): print(I) height, width = I.shape[:2] if min(height, width) <=2: return np.zeros(I.shape)+0.5 Rs = cv2.resize(I, (int((width+1)/2), int((height+1)/2))) Rf = zmIceFast(Rs, ratio, radius) #遞歸調用 Rf = cv2.resize(Rf, (width, height)) Rs = cv2.resize(Rs, (width, height)) return Rf+zmIce(I,ratio, radius)-zmIce(Rs,ratio,radius) #rgb三通道分別增強 ratio是對比度增強因數 radius是捲積模板半徑 def zmIceColor(I, ratio=4, radius=3): res = np.zeros(I.shape) for k in range(3): res[:,:,k] = stretchImage(zmIceFast(I[:,:,k], ratio, radius)) return res #主函數 if __name__ == '__main__': img = cv2.imread('test01.png') res = zmIceColor(img/255.0)*255 cv2.imwrite('Ice.jpg', res)
運行結果如圖3和圖4所示，ACE演算法能有效進行圖像去霧處理，實現圖像的細節增強。
三.總結
本文主要講解圖像局部直方圖均衡化和自動色彩均衡化處理。這些演算法可以廣泛應用於圖像增強、圖像去噪、圖像去霧等領域。
