深圳优秀网站设计,网页设计模板html代码案例,中国建设银行车主卡网站,东莞网站建设 织梦文章目录 一、图像预处理17 直方图均衡化17.1绘制直方图17.2直方图均衡化1. 自适应直方图均衡化2. 对比度受限的自适应直方图均衡化3. 示例 19 模板匹配 一、图像预处理
17 直方图均衡化 直方图#xff1a;反映图像像素分布的统计图#xff0c;横坐标就是图像像素的取值反映图像像素分布的统计图横坐标就是图像像素的取值纵坐标是该像素的个数。也就是对一张图像中不同像素值的像素个数的统计。增加对比度黑的更黑白的更白。
17.1绘制直方图
就是以像素值为横坐标像素值的个数为纵坐标绘制一个统计图。 关键3步 histcv2.calcHist(images, channels, mask, histSize, ranges) 作用 统计像素出现的次数 参数 images输入图像列表可以是一幅或多幅图像通常是灰度图像或者彩色图像的各个通道。channels一个包含整数的列表指示在每个图像上计算直方图的通道编号。如果输入图像是灰度图它的值就是 [0]如果是彩色图像的话传入的参数可以是 [0][1][2] 它们分别对应着通道 BGR。mask可选掩模非黑色区域目标区域参与直方图计算的区域None为全部计算。histSize一个整数列表也就是直方图的区间个数(BIN 的数目)。用中括号括起来例如[256]。ranges每维数据的取值范围它是一个二维列表每一维对应一个通道的最小值和最大值例如对灰度图像可能是 [0, 256]。 返回值 hist 是一个长度为255的数组数组中的每个值表示图像中对应灰度等级的像素计数 minVal, maxVal, minLoc, maxLoc cv2.minMaxLoc(hist) 参数hist是上面的返回值数组 返回值 获取直方图的最小值、最大值及其对应最小值的位置索引、最大值的位置索引 cv2.line(img, pt1, pt2, color, thickness) img原始图像即要在上面画线的numpy数组一般为uint8类型。 pt1 和 pt2分别为线段的起点和终点坐标它们都是元组类型 color线段的颜色 thickness线段的宽度默认值是1
示例
import cv2 as cv
import numpy as np
import matplotlib.pyplot as pltdef draw():img cv.imread(./images/lvbo.png)# 统计像素出现的次数hist cv.calcHist(img, [0], None, [256], [0, 256])print(hist.shape)# 获取最大和最小值的个数 和 索引在hist数组中minval, maxval, minloc, maxloc cv.minMaxLoc(hist)# 创建全黑图像用于绘制直方图hist_img np.zeros([256, 256, 3], np.uint8)for i in range(256):# 除最大值将所有出现的个数归一化(0~1)# 乘0.9*255将所有个数限制在 0~0.9*255 之间h int(hist[i].item() / maxval * (0.9*256))cv.line(hist_img,(i, 256),(i, 256-h), (255, 255, 255), 1)cv.imshow(hist, hist_img)cv.waitKey(0)cv.destroyAllWindows()
draw()17.2直方图均衡化
一副效果好的图像通常在直方图上的分布比较均匀直方图均衡化就是用来改善图像的全局亮度和对比度。
直方图均衡化作用 增强对比度提高图像质量
1. 自适应直方图均衡化
自适应直方图均衡化Adaptive Histogram Equalization, AHE通过调整图像像素值的分布使得图像的对比度和亮度得到改善。
语法 dst cv.equalizeHist(imgGray) 参数灰度图
imgGray为需要直方图均衡化的灰度图返回值为处理后的图像
优点方法适用于图像的灰度分布不均匀且灰度分布集中在更窄的范围图像的细节不够清晰且对比度较低的情况。
缺点会出现太亮的部分会出现特征丢失
示例
img cv.imread(./images/lvbo.png)
img cv.resize(img, (256, 256))
gray cv.cvtColor(img, cv.COLOR_BGR2GRAY)
h cv.equalizeHist(gray)
cv.imshow(gray, gray)
cv.imshow(h, h)
cv.waitKey(0)
cv.destroyAllWindows()2. 对比度受限的自适应直方图均衡化
很明显因为全局调整亮度和对比度的原因脸部太亮大部分细节都丢失了。自适应均衡化就是用来解决这一问题的它在每一个小区域内默认8×8进行直方图均衡化。当然如果有噪点的话噪点会被放大需要对小区域内的对比度进行了限制所以这个算法全称叫对比度受限的自适应直方图均衡化Contrast Limited Adaptive Histogram Equalization, CLAHE)。
其主要步骤为
图像分块Tiling 图像首先被划分为多个不重叠的小块tiles。这样做的目的是因为在全局直方图均衡化中单一的直方图无法反映图像各个局部区域的差异性。通过局部处理AHE能够更好地适应图像内部的不同光照和对比度特性。tiles 的 大小默认是 8x8 计算子区域直方图 对于每个小块独立计算其内部像素的灰度直方图。直方图反映了该区域内像素值的分布情况。 子区域直方图均衡化 对每个小块的直方图执行直方图均衡化操作。这涉及重新分配像素值以便在整个小块内更均匀地分布。均衡化过程会增加低频像素的数量减少高频像素的数量从而提高整个小块的对比度。 对比度限制Contrast Limiting 如果有噪声的话噪声会被放大。为了防止过大的对比度增强导致噪声放大出现了限制对比度自适应直方图均衡化CLAHE。CLAHE会在直方图均衡化过程中引入一个对比度限制参数。当某一小块的直方图在均衡化后出现极端值时会对直方图进行平滑处理使用线性或非线性的钳制函数确保对比度增强在一个合理的范围内。 重采样和邻域像素融合 由于小块之间是不重叠的直接拼接经过均衡化处理的小块会产生明显的边界效应。因此在CLAHE中通常采用重采样技术来消除这种效应比如通过双线性插值将相邻小块的均衡化结果进行平滑过渡使最终图像看起来更为自然和平滑。 合成输出图像 将所有小块均衡化后的结果整合在一起得到最终的自适应直方图均衡化后的图像。 语法 clahe cv2.createCLAHE(clipLimitNone, tileGridSizeNone) clipLimit可选对比度限制参数用于控制直方图均衡化过程中对比度增强的程度。如果设置一个大于1的值如2.0或4.0CLAHE会限制对比度增强的最大程度避免过度放大噪声。如果不设置OpenCV会使用一个默认值。 tileGridSize可选图像分块的大小通常是一个包含两个整数的元组如(8, 8)表示将图像划分成8x8的小块进行独立的直方图均衡化处理。分块大小的选择会影响到CLAHE的效果以及处理速度。 创建CLAHE对象后可以使用 .apply() 方法对图像进行CLAHE处理 imgclahe.apply(image) image:要均衡化的图像。 img均衡后的图像
3. 示例
import cv2 as cv
import numpy as np
# 绘制直方图的方法
def draw(img):# 统计像素出现的次数hist cv.calcHist([img], [0], None, [256], [0, 256])# 获取最大和最小值的个数 和 索引在hist数组中minval, maxval, minloc, maxloc cv.minMaxLoc(hist)# 创建全黑图像用于绘制直方图hist_img np.zeros([256, 256, 3], np.uint8)for i in range(256):# 除最大值将所有出现的个数归一化(0~1)# 乘0.9*255将所有个数限制在 0~0.9*255 之间h int(hist[i].item() / maxval * (0.9 * 256))cv.line(hist_img, (i, 256), (i, 256 - h), (255, 255, 255), 1)return hist_img
# 均衡化的两个方法
def draw3():img cv.imread(./images/zhifang.png)gray cv.cvtColor(img, cv.COLOR_BGR2GRAY)# 绘制灰度图的直方图hts_fray draw(gray)# 普通的直方图均衡化eqe cv.equalizeHist(gray)hts_eqe draw(eqe)# 绘制直方图# 对比度受限的均衡化clahe cv.createCLAHE(clipLimit2.0, tileGridSize(8, 8))img_clahe clahe.apply(gray)hts_clahe draw(img_clahe) # 绘制CLAHE后的直方图cv.imshow(hts_fray, hts_fray)cv.imshow(hts_eqe, hts_eqe)cv.imshow(hts_clahe, hts_clahe)cv.waitKey(0)cv.destroyAllWindows()
draw3()输出 19 模板匹配
未完待续…
