跟我學Python丨影像增強及運算：區域直方圖均衡化和自動色彩均衡化處理

摘要：本文主要講解影像區域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于影像增強、影像去噪、影像去霧等領域，

本文分享自華為云社區《[Python從零到壹] 五十四.影像增強及運算篇之區域直方圖均衡化和自動色彩均衡化處理》，作者： eastmount，

一.區域直方圖均衡化

前文通過呼叫OpenCV中equalizeHist()函式實作直方圖均衡化處理，該方法簡單高效，但其實它是一種全域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，影像中不同的區域灰度分布相差甚遠，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，常常需要增強影像的某些區域區域的細節，

為了解決這類問題，Pizer等提出了區域直方圖均衡化的方法（AHE），但AHE方法僅僅考慮了區域區域的像素，忽略了影像其他區域的像素，且對于影像中相似區域具有過度放大噪聲的缺點，為此K. Zuiderveld等人提出了對比度受限CLAHE的影像增強方法，通過限制區域直方圖的高度來限制區域對比度的增強幅度，從而限制噪聲的放大及區域對比度的過增強，該方法常用于影像增強，也可以被用來進行影像去霧操作[1-2]，

在OpenCV中，呼叫函式createCLAHE()實作對比度受限的區域直方圖均衡化，它將整個影像分成許多小塊（比如按10×10作為一個小塊），那么對每個小塊進行均衡化，這種方法主要對于影像直方圖不是那么單一的（比如存在多峰情況）影像比較實用，其函式原型如下所示：

retval = createCLAHE([, clipLimit[, tileGridSize]])

• clipLimit引數表示對比度的大小
• tileGridSize引數表示每次處理塊的大小

呼叫createCLAHE()實作對比度受限的區域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)
#區域直方圖均衡化處理
clahe = cv2.createCLAHE(clipLimit=2, tileGridSize=(10,10))
#將灰度影像和區域直方圖相關聯, 把直方圖均衡化應用到灰度圖 
result = clahe.apply(gray)
#顯示影像
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)為原始影像，對應的直方圖為圖1?，圖1(b)和圖1(d)為對比度受限的區域直方圖均衡化處理后的影像及對應直方圖，它讓影像的灰度值分布更加均衡，可以看到，相對于全域的直方圖均衡化，這個區域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演算法是代表性的影像增強演算法，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，對復雜環境下的一維條碼具有一定范圍內的動態壓縮，對影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，它通過計算影像目標像素點和周圍像素點的明暗程度及其關系來對最終的像素值進行校正，實作影像的對比度調整，產生類似人體視網膜的色彩恒常性和亮度恒常性的均衡，具有很好的影像增強效果[3-4]，

ACE演算法包括兩個步驟，一是對影像進行色彩和空域調整，完成影像的色差校正，得到空域重構影像；二是對校正后的影像進行動態擴展，ACE演算法計算公式如下：

其中，W是權重引數，離中心點像素越遠的W值越小；g是相對對比度調節引數，其計算方法如公式(22-2)所示，a表示控制引數，值越大細節增強越明顯，

圖2是條形碼影像進行ACE影像增強后的效果圖，通過影像增強后的圖(b)對比度更強，改善了原影像的明暗程度，增強的同時保持了影像的真實性，

由于OpenCV中暫時沒有ACE演算法包，下面的代碼是借鑒“zmshy2128”老師的文章，修改實作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)
#根據半徑計算權重引數矩陣
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實作
def zmIce(I, ratio=4, radius=300): 
    para = getPara(radius)
 height,width = I.shape
 #Python3報錯如下 使用串列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快速增強實作
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) #遞回呼叫
    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是對比度增強因子 radius是卷積模板半徑 
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
#主函式
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演算法能有效進行影像去霧處理，實作影像的細節增強，

三.總結

本文主要講解影像區域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于影像增強、影像去噪、影像去霧等領域，

點擊關注，第一時間了解華為云新鮮技術~

標籤：其他

上一篇：垃圾回識訓制

下一篇：Python實作抽獎程式