OpenCV-Python教程（10、直方图均衡化）

以你之姓@ 2021-12-21 23:15 294阅读 0赞

相比C++而言，Python适合做原型。本系列的文章介绍如何在Python中用OpenCV图形库，以及与C++调用相应OpenCV函数的不同之处。这篇文章介绍在Python中使用OpenCV和NumPy对直方图进行均衡化处理。

**提示：**

*  转载请详细注明原作者及出处，谢谢！  
    
 *  本文不介详细的理论知识，读者可从其他资料中获取相应的背景知识。笔者推荐清华大学出版社的《[图像处理与计算机视觉算法及应用(第2版)][2] 》，对于本节的内容，建议直接参考[维基百科直方图均衡化][Link 1]，只需看下页面最后的两幅图就能懂了。

**本文内容：**

*  使用查找表拉伸直方图
 *  使用OpenCV和NumPy的函数以不同的方式进行直方图均衡化

在某些情况下，一副图像中大部分像素的强度都集中在某一区域，而质量较高的图像中，像素的强度应该均衡的分布。为此，可将表示像素强度的直方图进行拉伸，将其平坦化。如下：

![Histogrammspreizung.png][]  
图来自维基百科

## 实验数据 ##

本节的实验数据来自维基百科，原图如下：

![800px-Unequalized_Hawkes_Bay_NZ.jpg][]

其直方图为：

![SouthEast][]

## 使用查找表来拉伸直方图    ##

在图像处理中，直方图均衡化一般用来均衡图像的强度，或增加图像的对比度。在介绍使用直方图均衡化来拉伸图像的直方图之前，先介绍使用查询表的方法。

观察上图中原始图像的直方图，很容易发现大部分强度值范围都没有用到。因此先检测图像非0的最低（imin）强度值和最高（imax）强度值。将最低值imin设为0，最高值imax设为255。中间的按255.0\*(i-imin)/(imax-imin)+0.5)的形式设置。

实现的任务主要集中在查询表的创建中，代码如下：

minBinNo, maxBinNo = 0, 255
    
    #计算从左起第一个不为0的直方图位置
    for binNo, binValue in enumerate(hist):
        if binValue != 0:
    		minBinNo = binNo
    		break
    #计算从右起第一个不为0的直方图位置
    for binNo, binValue in enumerate(reversed(hist)):
        if binValue != 0:
    		maxBinNo = 255-binNo
    		break
    print minBinNo, maxBinNo
    
    #生成查找表，方法来自参考文献1第四章第2节
    for i,v in enumerate(lut):
    	print i
    	if i < minBinNo:
    		lut[i] = 0
    	elif i > maxBinNo:
    		lut[i] = 255
    	else:
    		lut[i] = int(255.0*(i-minBinNo)/(maxBinNo-minBinNo)+0.5)

查询表创建完成后，就直接调用相应的OpenCV函数即可，这里调用的是cv2.LUT函数：

#计算
    result = cv2.LUT(image, lut)

cv2.LUT函数只有两个参数，分别为输入图像和查找表，其返回处理的结果，完整代码如下：

#coding=utf-8
    import cv2
    import numpy as np
    
    image = cv2.imread("D:/test/unequ.jpg", 0)
    lut = np.zeros(256, dtype = image.dtype )#创建空的查找表
    hist= cv2.calcHist([image], #计算图像的直方图
        [0], #使用的通道
        None, #没有使用mask
        [256], #it is a 1D histogram
        [0.0,255.0])
    	
    minBinNo, maxBinNo = 0, 255
    
    #计算从左起第一个不为0的直方图柱的位置
    for binNo, binValue in enumerate(hist):
        if binValue != 0:
    		minBinNo = binNo
    		break
    #计算从右起第一个不为0的直方图柱的位置
    for binNo, binValue in enumerate(reversed(hist)):
        if binValue != 0:
    		maxBinNo = 255-binNo
    		break
    print minBinNo, maxBinNo
    
    #生成查找表，方法来自参考文献1第四章第2节
    for i,v in enumerate(lut):
    	print i
    	if i < minBinNo:
    		lut[i] = 0
    	elif i > maxBinNo:
    		lut[i] = 255
    	else:
    		lut[i] = int(255.0*(i-minBinNo)/(maxBinNo-minBinNo)+0.5)
    
    #计算
    result = cv2.LUT(image, lut)
    cv2.imshow("Result", result)
    cv2.imwrite("LutImage.jpg", result)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

直方图结果如下，可以看到原来占的区域很小的直方图尖峰被移动了：

![SouthEast 1][]

处理结果为：

![SouthEast 2][]

关于直方图的绘制，请参考[这篇文章][Link 2]。

## 直方图均衡化 ##

### 介绍    ###

有时图像的视觉上的缺陷并不在强度值集中在很窄的范围内。而是某些强度值的使用频率很大。比如第一幅图中，灰度图中间值的占了很大的比例。

在完美均衡的直方图中，每个柱的值都应该相等。即50%的像素值应该小于128，25%的像素值应该小于64。总结出的经验可定义为：在标准的直方图中p%的像素拥有的强度值一定小于或等于255×p%。将该规律用于均衡直方图中：强度i的灰度值应该在对应的像素强度值低于i的百分比的强度中。因此，所需的查询表可以由下面的式子建立：

lut[i] = int(255.0 *p[i]) #p[i]是是强度值小于或等于i的像素的数目。

p\[i\]即直方图累积值，这是包含小于给点强度值的像素的直方图，以代替包含指定强度值像素的数目。比如第一幅图像的累计直方图如下图中的蓝线：

![SouthEast 3][]

而完美均衡的直方图，其累积直方图应为一条斜线，如上图中均衡化之后的红线。

更专业一点，这种累积直方图应称为累积分布（cumulative distribition）。在NumPy中有一个专门的函数来计算。这在NumPy实现直方图均衡化一节中介绍。

通过上面的介绍，应该可以明白，直方图均衡化就是对图像使用一种特殊的查询表。在第三个例子中可以看到使用查询表来获得直方图均衡化的效果。通常来说，直方图均衡化大大增加了图像的表象。但根据图像可视内容的不同，不同图像的直方图均衡化产生的效果不尽相同。

### 直方图均衡化之OpenCV函数实现 ###

用OpenCV实现直方图均衡化很简单，只需调用一个函数即可：

img = cv2.imread('图像路径',0)
    equ = cv2.equalizeHist(img)
    cv2.imshow('equ',equ)

这样图像就均衡化了。可以通过 [直方图的计算与显示][Link 2]这篇文章中介绍的方法将结果绘制出来。

### 直方图均衡化之NumPy函数实现 ###

通过前面的介绍，可以明白直方图均衡化就是用一种特殊的查找表来实现的。所以这里用NumPy函数，以查找表的方式手动实现图像直方图的均衡化：

#coding=utf-8
    import cv2
    import numpy as np
    
    image = cv2.imread("D:/test/unequ.jpg", 0)
    
    lut = np.zeros(256, dtype = image.dtype )#创建空的查找表
    
    hist,bins = np.histogram(image.flatten(),256,[0,256]) 
    cdf = hist.cumsum() #计算累积直方图
    cdf_m = np.ma.masked_equal(cdf,0) #除去直方图中的0值
    cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())#等同于前面介绍的lut[i] = int(255.0 *p[i])公式
    cdf = np.ma.filled(cdf_m,0).astype('uint8') #将掩模处理掉的元素补为0
    
    #计算
    result2 = cdf[image]
    result = cv2.LUT(image, cdf)
    
    cv2.imshow("OpenCVLUT", result)
    cv2.imshow("NumPyLUT", result2)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

**最终结果**

![SouthEast 4][]

## 验证 ##

比较查找表和OpenCV直方图均衡化生成的直方图：

![SouthEast 5][]

可以看出，总体上来看是吻合的，但OpenCV中函数的实现 **可能**还有一些细微的差别（有空去翻下源码，不过今天就先到这里了）。

## 参考资料： ##

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

3、[http://opencvpython.blogspot.com/2013/03/histograms-2-histogram-equalization.html][http_opencvpython.blogspot.com_2013_03_histograms-2-histogram-equalization.html]

如果觉得本文写的还可以的话，请轻点“顶”，您的支持是我写下去的动力之一。未完待续。。。如有错误请指正，本人会虚心接受并改正！谢谢！

[2]: http://www.amazon.cn/%E5%9B%BE%E5%83%8F%E5%A4%84%E7%90%86%E4%B8%8E%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89%E7%AE%97%E6%B3%95%E5%8F%8A%E5%BA%94%E7%94%A8-%E5%B8%95%E7%A7%91%E5%B0%94/dp/B0083PY050/ref=sr_1_1?ie=UTF8&qid=1373614562&sr=8-1&keywords=%E5%9B%BE%E5%83%8F%E5%A4%84%E7%90%86%E4%B8%8E%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89%E7%AE%97%E6%B3%95%E5%8F%8A%E5%BA%94%E7%94%A8%28%E7%AC%AC2%E7%89%88%29
[Link 1]: http://zh.wikipedia.org/zh-cn/%E7%9B%B4%E6%96%B9%E5%9B%BE%E5%9D%87%E8%A1%A1%E5%8C%96
[Histogrammspreizung.png]: /images/20211220/c68c40e2fc4a4b0b971a9aa17ed6f784.png
[800px-Unequalized_Hawkes_Bay_NZ.jpg]: /images/20211220/51e9bb106a3d47529ed8ae21665fa43f.png
[SouthEast]: /images/20211220/049ea95e9d444aafa6fe7fea2e44811c.png
[SouthEast 1]: /images/20211220/5e5a46e8f2924e65b6469e2bab7a5393.png
[SouthEast 2]: /images/20211220/29a01aceac794964a5737e208a98bcfb.png
[Link 2]: http://blog.csdn.net/sunny2038/article/details/9097989
[SouthEast 3]: /images/20211220/bddde9d22f8b4a7297749ea30e962960.png
[SouthEast 4]: /images/20211220/a18e0830e59a4acdbbec82b2344220d2.png
[SouthEast 5]: /images/20211220/7b4f17615f3a42d28a061bbf732e92e1.png
[http_opencvpython.blogspot.com_2013_03_histograms-2-histogram-equalization.html]: http://opencvpython.blogspot.com/2013/03/histograms-2-histogram-equalization.html