Opencv图像增强算法（对比度增强）-opencv

缺乏、安全感 2022-12-28 12:57 192阅读 0赞

**由于项目需要，这几天找了网上一个基于opencv的图像对比度增强算法的博客。但算法发布的日期太过久远了，2012年的代码放到现在很多类和类方法已经不再适用于新版本的opencv库了。所以我花了点时间重写了一下，并加入一些个人对于算法的理解与优化。**

--------------------

## 目标原代码： ##

**《Opencv 图像增强算法 图像检测结果》**  
[https://blog.csdn.net/abcjennifer/article/details/7401921][https_blog.csdn.net_abcjennifer_article_details_7401921]  
**《opencv 彩色图像对比度增强》**  
[https://blog.csdn.net/abcjennifer/article/details/7428737][https_blog.csdn.net_abcjennifer_article_details_7428737]

--------------------

## 对等重写: ##

> 对等重写就是原博客怎么写，我就怎么写，只是把一些已经弃用的类、方法、宏给替换掉而已。相当于就是翻新，然后加入一些个人理解的注释。

### 增强函数 ###

/*********************************************************** 增强算法的原理在于先统计每个灰度值在整个图像中所占的比例 然后以小于当前灰度值的所有灰度值在总像素中所占的比例，作为增益系数 对每一个像素点进行调整。由于每一个值的增益系数都是小于它的所有值所占 的比例和。所以就使得经过增强之后的图像亮的更亮，暗的更暗。 ************************************************************/
    void ImageStretchByHistogram(const Mat & src, Mat & dst)
    { 
    	//判断传入参数是否正常
    	if (!(src.size().width == dst.size().width))
    	{ 
    		cout << "error" << endl;
    		return;
    	}
    	double p[256], p1[256], num[256];
    
    	memset(p, 0, sizeof(p));
    	memset(p1, 0, sizeof(p1));
    	memset(num, 0, sizeof(num));
    	int height = src.size().height;
    	int width = src.size().width;
    	long wMulh = height * width;
    
    	//统计每一个灰度值在整个图像中所占个数
    	for (int x = 0; x < width; x++)
    	{ 
    		for (int y = 0; y < height; y++)
    		{ 
    			uchar v = src.at<uchar>(y, x);
    			num[v]++;
    		}
    	}
    
    	//使用上一步的统计结果计算每一个灰度值所占总像素的比例
    	for (int i = 0; i < 256; i++)
    	{ 
    		p[i] = num[i] / wMulh;
    	}
    
    	//计算每一个灰度值，小于当前灰度值的所有灰度值在总像素中所占的比例
    	//p1[i]=sum(p[j]); j<=i;
    	for (int i = 0; i < 256; i++)
    	{ 
    		for (int k = 0; k <= i; k++)
    			p1[i] += p[k];
    	}
    
    	//以小于当前灰度值的所有灰度值在总像素中所占的比例，作为增益系数对每一个像素点进行调整。
    	for (int y = 0; y < height; y++)
    	{ 
    		for (int x = 0; x < width; x++) { 
    			uchar v = src.at<uchar>(y, x);
    			dst.at<uchar>(y, x) = p1[v] * 255 + 0.5;
    		}
    	}
    	return;
    }

### 单通道灰度图增强函数 ###

//调整图像对比度
    Mat AdjustContrastY(const Mat & img)
    { 
    	Mat out = Mat::zeros(img.size(), CV_8UC1);
    	Mat workImg = img.clone();
    
    	//对图像进行对比度增强
    	ImageStretchByHistogram(workImg, out);
    
    	return Mat(out);
    }

### 三通道彩图增强函数 ###

//调整图像对比度
    Mat AdjustContrast(const Mat & img)
    { 
    	Mat out;
    
    	Mat Y = Mat::zeros(img.size(), CV_8UC1);
    	Mat Cb = Mat::zeros(img.size(), CV_8UC1);
    	Mat Cr = Mat::zeros(img.size(), CV_8UC1);
    	Mat Compile_YCbCr = Mat::zeros(img.size(), CV_8UC3);
    	Mat dst = Mat::zeros(img.size(), CV_8UC1);
    
    	int i;
    	/******************************************* 对比度增强算法本质上就是对图像Y分量进行调整。 所以需要先把图像数据从BGR转换为YUV，YCrCb就是YUV 然后再对YUV数据进行拆分，最后单独对Y分量进行调整。 ********************************************/
    	cvtColor(img, Compile_YCbCr, cv::COLOR_BGR2YCrCb);
    	//定义一个Mat向量容器保存拆分后的数据
    	vector<Mat> channels;
    	//进行图像通道拆分
    	split(Compile_YCbCr, channels);
    	channels.at(0).copyTo(Y);
    	channels.at(1).copyTo(Cb);
    	channels.at(2).copyTo(Cr);
    	
    	//单独对Y分量进行调整
    	ImageStretchByHistogram(Y, dst);
    
    	//把对比度增强后的Y分量与原来的U、V分量重组为新的图像
    	for (int y = 0; y < img.size().height; y++)
    	{ 
    		for (int x = 0; x < img.size().width; x++)
    		{ 
    			//拼接一个像素的三通道
    			Mat cur = Mat::zeros(3, 1, CV_32FC1);
    			cur.at<float>(0, 0) = dst.at<uchar>(y, x);
    			cur.at<float>(1, 0) = Cb.at<uchar>(y, x);
    			cur.at<float>(2, 0) = Cr.at<uchar>(y, x);
    
    			//三通道顺序写入
    			for (i = 0; i < 3; i++)
    			{ 
    				double xx = cur.at<float>(i, 0);
    				(Compile_YCbCr).at<Vec3b>(y, x)[i] = xx;
    			}
    		}
    	}
    	//把重组之后的图像转换回BGR数据进行返回
    	cvtColor(Compile_YCbCr, out, COLOR_YCrCb2BGR);
    
    	return Mat(out);
    }

--------------------

## 优化重写 ##

> 优化重写注意是针对三通道彩图增强函数“AdjustContrast()”这个函数的，这主要是由于原算法本身就存在一定的问题和在当前的opencv版本下存在一定的改进空间。就像原博客中的dst1定义的是3通道，但增强函数“ImageStretchByHistogram()”内部处理的时候只是使用了当通道进行赋值，虽然可以正常运行，但却容易让阅读代码的人产生误解（例如我），而且在新版本opencv的语法环境下会存在问题（原博客评论区就有人遇到了这个语法问题，我上面的代码中通过修改部分代码逻辑解决了这个问题）。且在测试中发现，三通道彩图的增强函数运行速度过慢。  
> 所以我针对三通道彩图增强函数“AdjustContrast()”这个函数进行了重写。

//三通道彩图增强函数
    Mat AdjustContrast(const Mat & img)
    { 
    	Mat out = Mat::zeros(img.size(), CV_8UC3);
    	Mat Compile_YCbCr = Mat::zeros(img.size(), CV_8UC3);
    	Mat dst = Mat::zeros(img.size(), CV_8UC1);
    
    	//进行BGR转YUV
    	cvtColor(img, Compile_YCbCr, cv::COLOR_BGR2YCrCb);
    
    	//定义一个Mat向量容器保存拆分后的数据
    	vector<Mat> channels;
    	//进行图像通道拆分
    	split(Compile_YCbCr, channels);
    	//单独对Y分量进行调整
    	ImageStretchByHistogram(channels.at(0), dst);
    	//把调整后的Y分量替换原来的Y分量
    	dst.copyTo(channels.at(0));
    	//进行通道的合并
    	merge(channels, Compile_YCbCr);
    
    	//把重组之后的图像转换回BGR数据进行返回
    	cvtColor(Compile_YCbCr, out, COLOR_YCrCb2BGR);
    	return Mat(out);
    }

--------------------

### 灰度效果： ###

增强前  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xfMHgwYg_size_16_color_FFFFFF_t_70_pic_center]  
增强后  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xfMHgwYg_size_16_color_FFFFFF_t_70_pic_center 1]

--------------------

### 彩图效果： ###

增强前  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xfMHgwYg_size_16_color_FFFFFF_t_70_pic_center 2]  
增强后  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xfMHgwYg_size_16_color_FFFFFF_t_70_pic_center 3]

--------------------

## 相关参考： ##

> **《CvMat用法详解》**  
> [https://blog.csdn.net/zx3517288/article/details/51760541][https_blog.csdn.net_zx3517288_article_details_51760541]  
> **《OpenCV类型CV\_32F和CV\_32FC1之间的差异（OpenCV类型CV\_32F和CV\_32FC1之间的差异）》**  
> [https://www.it1352.com/541681.html][https_www.it1352.com_541681.html]  
> **《opencv Mat 多通道 数据读取或赋值》**  
> [https://blog.csdn.net/xuexiaokkk/article/details/50251511][https_blog.csdn.net_xuexiaokkk_article_details_50251511]  
> **《openCv：IplImage的变量imageData解释》**  
> [https://blog.csdn.net/aic1999/article/details/83040442][https_blog.csdn.net_aic1999_article_details_83040442]  
> **《opencv split和merge操作》**  
> [https://blog.csdn.net/omuyejingfeng1/article/details/25685141][https_blog.csdn.net_omuyejingfeng1_article_details_25685141]  
> **《opencv中cvSplit函数讲解》**  
> [https://blog.csdn.net/yankai0219/article/details/6630911][https_blog.csdn.net_yankai0219_article_details_6630911]  
> **《opencv笔记——cvCreateImage函数说明》**  
> [https://blog.csdn.net/breeze5428/article/details/30050327][https_blog.csdn.net_breeze5428_article_details_30050327]  
> **《IplImage结构体 nChannels depth含义》**  
> [https://blog.csdn.net/qq\_41972382/article/details/89225522][https_blog.csdn.net_qq_41972382_article_details_89225522]

--------------------

[零BUG是原则性问题。][BUG]

[https_blog.csdn.net_abcjennifer_article_details_7401921]: https://blog.csdn.net/abcjennifer/article/details/7401921
[https_blog.csdn.net_abcjennifer_article_details_7428737]: https://blog.csdn.net/abcjennifer/article/details/7428737
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xfMHgwYg_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/2c69ff2b04714e859e330e8153862be3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xfMHgwYg_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/0e1c6f982b7b4bd594a46ea52081c0f4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xfMHgwYg_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221120/0b1c73e4689646d78f1f89f533101837.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xfMHgwYg_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221120/44836880988b4c81a009b95e5813760a.png
[https_blog.csdn.net_zx3517288_article_details_51760541]: https://blog.csdn.net/zx3517288/article/details/51760541
[https_www.it1352.com_541681.html]: https://www.it1352.com/541681.html
[https_blog.csdn.net_xuexiaokkk_article_details_50251511]: https://blog.csdn.net/xuexiaokkk/article/details/50251511
[https_blog.csdn.net_aic1999_article_details_83040442]: https://blog.csdn.net/aic1999/article/details/83040442
[https_blog.csdn.net_omuyejingfeng1_article_details_25685141]: https://blog.csdn.net/omuyejingfeng1/article/details/25685141
[https_blog.csdn.net_yankai0219_article_details_6630911]: https://blog.csdn.net/yankai0219/article/details/6630911
[https_blog.csdn.net_breeze5428_article_details_30050327]: https://blog.csdn.net/breeze5428/article/details/30050327
[https_blog.csdn.net_qq_41972382_article_details_89225522]: https://blog.csdn.net/qq_41972382/article/details/89225522
[BUG]: https://blog.csdn.net/L_0x0b?t=1