OpenCV-Python實戰（8）——直方圖均衡化（含大量示例，建議收藏）

0. 前言

影像處理技術是計算機視覺專案的核心，通常是計算機視覺專案中的關鍵工具，可以使用它們來完成各種計算機視覺任務，在本文中，將介紹如何使用 OpenCV 函式 cv2.equalizeHist() 執行直方圖均衡，并將其應用于灰度和彩色影像，cv2.equalizeHist() 函式將亮度歸一化并提高影像的對比度，

1. 灰度直方圖均衡化

使用 cv2.equalizeHist() 函式來均衡給定灰度影像的對比度：

# 加載影像并轉換為灰度影像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])
# 直方圖均衡化
gray_image_eq = cv2.equalizeHist(gray_image)
# 直方圖均衡化后的影像直方圖
hist_eq = cv2.calcHist([gray_image_eq], [0], None, [256], [0, 256])

為了深入了解直方圖均衡，我們對原始灰度影像進行修改，為影像的每個像素添加/減去 30，并計算直方圖均衡前后的直方圖：

M = np.ones(gray_image.shape, dtype='uint8') * 30
# 為影像的每個像素添加 30
added_image = cv2.add(gray_image, M)
hist_added_image = cv2.calcHist([added_image], [0], None, [256], [0, 256])
# 直方圖均衡化
added_image_eq = cv2.equalizeHist(gray_image_eq)
hist_eq_added_image = cv2.calcHist([added_image_eq], [0], None, [256], [0, 256])
# 為影像的每個像素減去 30
subtracted_image = cv2.subtract(gray_image, M)
hist_subtracted_image = cv2.calcHist([subtracted_image], [0], None, [256], [0, 256])
# 直方圖均衡化
subtracted_image_eq = cv2.equalizeHist(subtracted_image)
hist_eq_subtracted_image = cv2.calcHist([subtracted_image_eq], [0], None, [256], [0, 256])

最后，繪制所有這些影像：

def show_img_with_matplotlib(color_img, title, pos):
    img_RGB = color_img[:, :, ::-1]
    ax = plt.subplot(3, 4, pos)
    plt.imshow(img_RGB)
    plt.title(title, fontsize=8)
    plt.axis('off')

def show_hist_with_matplotlib_gray(hist, title, pos, color):
    ax = plt.subplot(3, 4, pos)
    plt.xlabel("bins")
    plt.ylabel("number of pixels")
    plt.xlim([0, 256])
    plt.plot(hist, color=color)
# 可視化
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "gray", 1)
show_hist_with_matplotlib_gray(hist, "grayscale histogram", 2, 'm')
show_img_with_matplotlib(cv2.cvtColor(added_image, cv2.COLOR_GRAY2BGR), "gray lighter", 5)
show_hist_with_matplotlib_gray(hist_added_image, "grayscale histogram", 6, 'm')
show_img_with_matplotlib(cv2.cvtColor(subtracted_image, cv2.COLOR_GRAY2BGR), "gray darker", 9)
show_hist_with_matplotlib_gray(hist_subtracted_image, "grayscale histogram", 10, 'm')
# 其他影像的可視化方法類似，不再贅述
# ...

程式運行的輸出如下圖所示：

在上圖中，我們可以看到三個均衡化后的影像非常相似，這也反映在均衡化后的直方圖中，這是因為直方圖均衡化傾向于標準化影像的亮度，同時增加對比度，

2. 顏色直方圖均衡化

使用相同的方法，我們可以在彩色影像中執行直方圖均衡，將直方圖均衡應用于 BGR 影像的每個通道(雖然這不是彩色影像直方圖均衡的最佳方法)，創建 equalize_hist_color() 函式，使用 cv2.split() 分割 BGR 影像并將 cv2.equalizeHist() 函式應用于每個通道，最后，使用 cv2.merge() 合并結果通道：

def equalize_hist_color(img):
    # 使用 cv2.split() 分割 BGR 影像
    channels = cv2.split(img)
    eq_channels = []
    # 將 cv2.equalizeHist() 函式應用于每個通道
    for ch in channels:
        eq_channels.append(cv2.equalizeHist(ch))
    # 使用 cv2.merge() 合并所有結果通道
    eq_image = cv2.merge(eq_channels)
    return eq_image

接下來，將此函式應用于三個不同的影像：原始 BGR 影像、將原始影像的每個像素值添加 10、將原始影像的每個像素值減去 10，并計算直方圖均衡前后的直方圖：

# 加載影像
image = cv2.imread('example.png')
# 計算直方圖均衡前后的直方圖
hist_color = hist_color_img(image)
image_eq = equalize_hist_color(image)
hist_image_eq = hist_color_img(image_eq)

M = np.ones(image.shape, dtype="uint8") * 10
# 為影像的每個像素添加 10
added_image = cv2.add(image, M)
# 直方圖均衡前后的直方圖
hist_color_added_image = hist_color_img(added_image)
added_image_eq = equalize_hist_color(added_image)
hist_added_image_eq = hist_color_img(added_image_eq)
# 為影像的每個像素減去 10
subtracted_image = cv2.subtract(image, M)
# 直方圖均衡前后的直方圖
hist_color_subtracted_image = hist_color_img(subtracted_image)
subtracted_image_eq = equalize_hist_color(subtracted_image)
hist_subtracted_image_eq = hist_color_img(subtracted_image_eq)

最后，繪制所有這些影像：

def show_img_with_matplotlib(color_img, title, pos):
    img_RGB = color_img[:, :, ::-1]
    ax = plt.subplot(3, 4, pos)
    plt.imshow(img_RGB)
    plt.title(title, fontsize=8)
    plt.axis('off')

def show_hist_with_matplotlib_rgb(hist, title, pos, color):
    ax = plt.subplot(3, 4, pos)
    plt.xlabel("bins")
    plt.ylabel("number of pixels")
    plt.xlim([0, 256])
    for (h, c) in zip(hist, color):
        plt.plot(h, color=c)
# 可視化
show_img_with_matplotlib(image, "image", 1)
show_hist_with_matplotlib_rgb(hist_color, "color histogram", 2, ['b', 'g', 'r'])
show_img_with_matplotlib(added_image, "image lighter", 5)
show_hist_with_matplotlib_rgb(hist_color_added_image, "color histogram", 6, ['b', 'g', 'r'])
show_img_with_matplotlib(subtracted_image, "image darker", 9)
show_hist_with_matplotlib_rgb(hist_color_subtracted_image, "color histogram", 10, ['b', 'g', 'r'])
# 其他影像的可視化方法類似，不再贅述
# ...

將直方圖均衡化應用于 BGR 影像的每個通道并不是顏色直方圖均衡化的好方法，這是由于 BGR 色彩空間的加性特性導致彩色影像的顏色變化很大，由于我們獨立地改變三個通道中的亮度和對比度，因此在合并均衡通道時，這可能會導致影像中出現新的色調，正如上圖所看到的那樣，
一種顏色直方圖均衡化更好的方法是將 BGR 影像轉換為包含亮度/強度通道的色彩空間( Yuv、Lab、HSV 和 HSL )，然后，只在亮度通道上應用直方圖均衡，最后合并通道并將它們轉換回 BGR 顏色空間，以 HSV 空間為例，創建 equalize_hist_color_hsv() 函式實作上述顏色直方圖歸一化方法：

def equalize_hist_color_hsv(img):
    H, S, V = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2HSV))
    eq_V = cv2.equalizeHist(V)
    eq_image = cv2.cvtColor(cv2.merge([H, S, eq_V]), cv2.COLOR_HSV2BGR)
    return eq_image

接下來，將此函式應用于三個不同的影像：原始 BGR 影像、將原始影像的每個像素值添加 10、將原始影像的每個像素值減去 10，并計算直方圖均衡前后的直方圖：

hist_color = hist_color_img(image)
# 計算直方圖均衡前后的直方圖
image_eq = equalize_hist_color_hsv(image)
hist_image_eq = hist_color_img(image_eq)

M = np.ones(image.shape, dtype="uint8") * 10
# 為影像的每個像素添加 10
added_image = cv2.add(image, M)
hist_color_added_image = hist_color_img(added_image)
# 直方圖均衡前后的直方圖
added_image_eq = equalize_hist_color_hsv(added_image)
hist_added_image_eq = hist_color_img(added_image_eq)
# 為影像的每個像素減去 10
subtracted_image = cv2.subtract(image, M)
hist_color_subtracted_image = hist_color_img(subtracted_image)
# 直方圖均衡前后的直方圖
subtracted_image_eq = equalize_hist_color_hsv(subtracted_image)
hist_subtracted_image_eq = hist_color_img(subtracted_image_eq)

最后，繪制所有這些影像：

# show_img_with_matplotlib() 和 show_hist_with_matplotlib_rgb（） 函式與上一示例相同
show_img_with_matplotlib(image, "image", 1)
show_hist_with_matplotlib_rgb(hist_color, "color histogram", 2, ['b', 'g', 'r'])
show_img_with_matplotlib(added_image, "image lighter", 5)
show_hist_with_matplotlib_rgb(hist_color_added_image, "color histogram", 6, ['b', 'g', 'r'])
# 其他影像的可視化方法類似，不再贅述
# ...

由上圖可以看出，僅均衡 HSV 影像的 V 通道得到的結果比均衡 BGR 影像的所有通道的效果要好很多，也可以將這種方法用于其他包含亮度/強度通道的色彩空間( Yuv、Lab 和 HSL )，

3. 對比度受限的自適應直方圖均衡化

在本節中，將介紹如何應用對比度受限的自適應直方圖均衡化 ( Contrast Limited Adaptive Histogram Equalization, CLAHE ) 來均衡影像，CLAHE 是自適應直方圖均衡化( Adaptive Histogram Equalization, AHE )的一種變體，區別在于其對比度的增大是受限的，影像相對均勻區域中的噪聲被 AHE 過度放大，而 CLAHE 通過限制對比度增大來解決這個問題，該演算法通過創建原始影像的多個直方圖，并使用這些直方圖來重新分配影像的亮度，用于提高影像的對比度，
接下來，將 CLAHE 應用于灰度和彩色影像，應用 CLAHE 時，有兩個重要引數，第一個是 clipLimit，它設定對比度限制的閾值，默認值為 40；第二個是 tileGridSize ，它設定行和列中的 tiles 數量，應用 CLAHE 時，影像被分成稱為 tiles (默認為 8 x 8 )的小塊以執行其計算，
將 CLAHE 應用于灰度影像，需要使用以下代碼：

# 加載影像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 灰度影像應用 CLAHE
clahe = cv2.createCLAHE(clipLimit=2.0)
gray_image_clahe = clahe.apply(gray_image)
# 使用不同 clipLimit 值
clahe.setClipLimit(5.0)
gray_image_clahe_2 = clahe.apply(gray_image)
clahe.setClipLimit(10.0)
gray_image_clahe_3 = clahe.apply(gray_image)
clahe.setClipLimit(20.0)
gray_image_clahe_4 = clahe.apply(gray_image)

然后，我們將 CLAHE 應用于彩色影像，類似于彩色影像對比度均衡的方法，創建四個函式以僅在不同顏色空間的亮度通道上使用 CLAHE 來均衡化彩色影像：

def equalize_clahe_color_hsv(img):
    cla = cv2.createCLAHE(clipLimit=4.0)
    H, S, V = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2HSV))
    eq_V = cla.apply(V)
    eq_image = cv2.cvtColor(cv2.merge([H, S, eq_V]), cv2.COLOR_HSV2BGR)
    return eq_image

def equalize_clahe_color_lab(img):
    cla = cv2.createCLAHE(clipLimit=4.0)
    L, a, b = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2Lab))
    eq_L = cla.apply(L)
    eq_image = cv2.cvtColor(cv2.merge([eq_L, a, b]), cv2.COLOR_Lab2BGR)
    return eq_image

def equalize_clahe_color_yuv(img):
    cla = cv2.createCLAHE(clipLimit=4.0)
    Y, U, V = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2YUV))
    eq_Y = cla.apply(Y)
    eq_image = cv2.cvtColor(cv2.merge([eq_Y, U, V]), cv2.COLOR_YUV2BGR)
    return eq_image

def equalize_clahe_color(img):
    cla = cv2.createCLAHE(clipLimit=4.0)
    channels = cv2.split(img)
    eq_channels = []
    for ch in channels:
        eq_channels.append(cla.apply(ch))
    eq_image = cv2.merge(eq_channels)
    return eq_image
# 彩色影像應用 CLAHE
image_clahe_color = equalize_clahe_color(image)
image_clahe_color_lab = equalize_clahe_color_lab(image)
image_clahe_color_hsv = equalize_clahe_color_hsv(image)
image_clahe_color_yuv = equalize_clahe_color_yuv(image)

# 可視化
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "gray", 1)
show_img_with_matplotlib(cv2.cvtColor(gray_image_clahe, cv2.COLOR_GRAY2BGR), "gray CLAHE clipLimit=2.0", 2)
show_img_with_matplotlib(cv2.cvtColor(gray_image_clahe_2, cv2.COLOR_GRAY2BGR), "gray CLAHE clipLimit=5.0", 3)
# 其他影像的可視化方法類似，不再贅述
# ...

將所有這些函式應用于測驗影像后比較結果，如下圖所示：

在上圖中，我們可以看到改變 clipLimit 引數在測驗影像上應用 CLAHE 后的不同效果，同時也可以看到在不同顏色空間( LAB、HSV 和 YUV )的亮度通道上應用 CLAHE 后的不同結果，其中，可以看到在 BGR 影像的三個通道上應用 CLAHE 與僅在不同顏色空間的亮度通道上使用 CLAHE 的不同效果，

4. 比較 CLAHE 和直方圖均衡化

為完整起見，在 compare_hist_equalization_clahe.py 腳本中，可以看到 CLAHE 和直方圖均衡化 ( cv2.equalizeHist() ) 如何在同一影像上作業，同時可視化生成的影像和生成的直方圖，

image = cv2.imread('2.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])
# 直方圖均衡化
gray_image_eq = cv2.equalizeHist(gray_image)
# 計算直方圖
hist_eq = cv2.calcHist([gray_image_eq], [0], None, [256], [0, 256])
# 創建 clahe:
clahe = cv2.createCLAHE(clipLimit=4.0)
# 在灰度影像上應用 clahe
gray_image_clahe = clahe.apply(gray_image)
# 計算直方圖
hist_clahe = cv2.calcHist([gray_image_clahe], [0], None, [256], [0, 256])

可視化的結果如下圖所示：

通過以上對比，可以肯定地說，在許多情況下，CLAHE 比應用直方圖均衡化有更好的結果和性能，

5. 直方圖的比較

OpenCV 提供的另一個與直方圖相關的函式是 cv2.compareHist()，該函式可用于計算兩個直方圖的匹配程度，由于直方圖反映了影像中像素值的強度分布，因此該函式也可以用于比較影像，但是由于直方圖僅顯示統計資訊，而不顯示像素的位置，因此，影像比較的常用方法是將影像劃分為一定數量的區域(通常大小相同)，計算每個區域的直方圖，最后將所有直方圖連接起來，創建影像的特征表示，為了簡單起見，示例將僅使用一個區域(完整影像)，并不會將影像劃分多個區域，
cv2.compareHist() 函式的用法：

cv2.compareHist(H1, H2, method)

這里，H1 和 H2 是被比較的直方圖，method表示度量方法，OpenCV 提供了四種不同的度量方法( method )來計算匹配程度：

為了對比不同的度量方法，我們首先影像并對其進行變換，然后使用所有度量方法計算這些影像和測驗影像之間的相似度，

# 加載影像
image = cv2.imread('15.png')
# 轉換為灰度影像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

M = np.ones(gray_image.shape, dtype='uint8') * 30
# 所有像素值加上 30
added_image = cv2.add(gray_image, M)
# 所有像素值減去 30
subtracted_image = cv2.subtract(gray_image, M)
# 使用模糊濾鏡
blurred_image = cv2.blur(gray_image, (10,10))
def load_all_test_images():
    images = []
    images.append(gray_image)
    images.append(added_image)
    images.append(subtracted_image)
    images.append(blurred_image)
    return images

使用四種不同的度量方法計算這些影像和測驗影像之間的相似度：

for img in test_images:
    # 計算直方圖
    hist = cv2.calcHist([img], [0], None, [256], [0, 256])
    # 直方圖歸一化
    hist = cv2.normalize(hist, hist, norm_type=cv2.NORM_L1)
    hists.append(hist)
# 使用　cv2.HISTCMP_CORREL　度量方法
gray_gray = cv2.compareHist(hists[0], hists[1], cv2.HISTCMP_CORREL)
gray_grayblurred = cv2.compareHist(hists[0], hists[1], cv2.HISTCMP_CORREL)
gray_addedgray = cv2.compareHist(hists[0], hists[2], cv2.HISTCMP_CORREL)
gray_subgray = cv2.compareHist(hists[0], hists[3], cv2.HISTCMP_CORREL)
# 使用　cv2.HISTCMP_CHISQR　度量方法
gray_gray = cv2.compareHist(hists[0], hists[0], cv2.HISTCMP_CHISQR)
gray_grayblurred = cv2.compareHist(hists[0], hists[1], cv2.HISTCMP_CHISQR)
gray_addedgray = cv2.compareHist(hists[0], hists[2], cv2.HISTCMP_CHISQR)
gray_subgray = cv2.compareHist(hists[0], hists[3], cv2.HISTCMP_CHISQR)
# 使用　cv2.HISTCMP_INTERSECT　度量方法
gray_gray = cv2.compareHist(hists[0], hists[0], cv2.HISTCMP_INTERSECT)
gray_grayblurred = cv2.compareHist(hists[0], hists[1], cv2.HISTCMP_INTERSECT)
gray_addedgray = cv2.compareHist(hists[0], hists[2], cv2.HISTCMP_INTERSECT)
gray_subgray = cv2.compareHist(hists[0], hists[3], cv2.HISTCMP_INTERSECT)
# 使用　cv2.HISTCMP_BHATTACHARYYA　度量方法
gray_gray = cv2.compareHist(hists[0], hists[0], cv2.HISTCMP_BHATTACHARYYA)
gray_grayblurred = cv2.compareHist(hists[0], hists[1], cv2.HISTCMP_BHATTACHARYYA)
gray_addedgray = cv2.compareHist(hists[0], hists[2], cv2.HISTCMP_BHATTACHARYYA)
gray_subgray = cv2.compareHist(hists[0], hists[3], cv2.HISTCMP_BHATTACHARYYA)

程式的輸出如下所示：

從上圖可以看出，img 1 所有指標都完美匹配，因為它是相同的影像，img 2 也具有較好的匹配指標，這是因為 img 2 是查詢影像的平滑版本，而 img 3 和 img 4 給出的匹配程度很差，這是因為直方圖發生了偏移，

小結

在處理直方圖時，直方圖均衡化也是一個重要方法和功能，我們學習了如何對灰度和彩色影像進行直方圖均衡化，也看到了直方圖比較對于執行影像比較的重要幫助，OpenCV 提供的四種度量方式來衡量兩個直方圖之間的相似性，分別是 cv2.HISTCMP_CORREL、cv2.HISTCMP_CHISQR、cv2.HISTCMP_INTERSECT 和 cv2.HISTCMP_BHATTACHARYYA，

系列鏈接

OpenCV-Python實戰（1）——OpenCV簡介與影像處理基礎（內含大量示例，📕建議收藏📕）
OpenCV-Python實戰（2）——影像與視頻檔案的處理（兩萬字詳解，?📕建議收藏📕）
OpenCV-Python實戰（3）——OpenCV中繪制圖形與文本（萬字總結，?📕建議收藏📕）
OpenCV-Python實戰（4）——OpenCV常見影像處理技術（??萬字長文，含大量示例??）
OpenCV-Python實戰（5）——OpenCV影像運算（??萬字長文，含大量示例??）
OpenCV-Python實戰（6）——OpenCV中的色彩空間和色彩映射（??萬字長文，含大量示例??）
OpenCV-Python實戰（7）——直方圖詳解（??含大量示例，建議收藏??）