【3】python-opencv3教程：图像的对比度增强（线性变化，直方图正规化，伽马变化，全局直方图均衡化，限制对比度的自适应直方图均衡化）

我会带着你远行 2022-04-23 13:08 158阅读 0赞

# 第三节：对比度增强算法总结 #

### **一： 绘制直方图** ###

就是把各个像素值所含有的个数统计出来，然后画图表示。 可以看到在当前图像中，哪个像素值的个数最多。 同时，可以看当前图像总体的像素值大小在哪些范围。。靠近0的话，说明图像偏暗。 靠近255，说明图像偏亮。

import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    import math
    
    # # 绘制灰度直方图
    def calcGrayHist(image):
        '''
        统计像素值
        :param image:
        :return:
        '''
        # 灰度图像的高，宽
        rows, cols = image.shape
        # 存储灰度直方图
        grayHist = np.zeros([256], np.uint64)
        for r in range(rows):
            for c in range(cols):
                grayHist[image[r][c]] += 1
        return grayHist
    
    image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE)
    grayHist = calcGrayHist(image)
    # 采用matplotlib进行画图
    x_range = range(256)
    plt.plot(x_range, grayHist, 'r', linewidth=2, c='black')
    plt.show()

输出结果:

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70][]

总的来说，还是偏暗 。像素值几种在40到50之间。

### **二：  通过线性变化增强对比度** ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 1][]

Python实现

# 通过线性变化增强对比度
    in_image =cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE)
    a = 2
    out_image = float(a) * in_image
    # 进行数据截断, 大于255的值要截断为255
    out_image[out_image > 255] = 255
    # 数据类型转化
    out_image = np.round(out_image)
    out_image = out_image.astype(np.uint8)
    # 显示原图像和线性变化后的结果
    cv2.imshow('IN', in_image)
    cv2.imshow('OUT', out_image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

输出结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 2][]

### **三： 通过直方图正规化增强对比度** ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 3][]

Python代码实现：

# 通过直方图正规化增强对比度
    in_image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE)
    # 求输入图片像素最大值和最小值
    Imax = np.max(in_image)
    Imin = np.min(in_image)
    # 要输出的最小灰度级和最大灰度级
    Omin, Omax = 0, 255
    # 计算a 和 b的值
    a = float(Omax - Omin)/(Imax - Imin)
    b = Omin - a* Imin
    # 矩阵的线性变化
    out_image = a*in_image + b
    # 数据类型的转化
    out_image = out_image.astype(np.uint8)
    # 显示原图和直方图正规化的效果
    cv2.imshow('IN', in_image)
    cv2.imshow('OUT', out_image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

输出结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 4][]

### 四： 伽马变化 ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 5][]

python实现：

# 伽马变换增强对比度
    in_image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE)
    # 图像归一化
    fI = in_image/255.0
    # 伽马变化
    gamma = 0.5
    out_image = np.power(fI, gamma)
    # 显示原图和伽马变化后的效果
    cv2.imshow('IN', in_image)
    cv2.imshow('OUT', out_image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

结果输出：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 6][]

### 五： 全局直方图均衡化 ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 7][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 8][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 9][]

Python代码实现：

def calcGrayHist(image):
        '''
        统计像素值
        :param image:
        :return:
        '''
        # 灰度图像的高，宽
        rows, cols = image.shape
        # 存储灰度直方图
        grayHist = np.zeros([256], np.uint64)
        for r in range(rows):
            for c in range(cols):
                grayHist[image[r][c]] += 1
        return grayHist
    # 全局直方图均衡化
    def equalHist(image):
        # 灰度图像矩阵的高，宽
        rows, cols = image.shape
    
        # 第一步:计算灰度直方图
        grayHist = calcGrayHist(image)
    
        # 第二步:计算累加灰度直方图
        zeroCumuMoment = np.zeros([256], np.uint32)
        for p in range(256):
            if p == 0:
                zeroCumuMoment[0] = grayHist[0]
            else:
                zeroCumuMoment[p] = zeroCumuMoment[p-1]+grayHist[p]
    
        # 第三步:根据累加灰度直方图得到输入灰度级和输出灰度级之间的映射关系
        output_q = np.zeros([256], np.uint8)
        cofficient = 256.0 / (rows*cols)
        for p in range(256):
            q = cofficient * float(zeroCumuMoment[p]) - 1
            if q >= 0:
                output_q[p] = math.floor(q)
            else:
                output_q[p] = 0
    
        # 第四步:得到直方图均衡化后的图像
        equalHistImage = np.zeros(image.shape, np.uint8)
        for r in range(rows):
            for c in range(cols):
                equalHistImage[r][c] = output_q[image[r][c]]
        return equalHistImage
    
    image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE)
    grayHist = equalHist(image)
    cv2.imshow('origin_image', image)
    cv2.imshow('equal_image', grayHist)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

输出结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 10][]

### **六： 限制对比度的自适应直方图均衡化** ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 11][]

Python代码：

# 限制对比度的自适应直方图均衡化
    image = cv2.imread('p2.jpg', cv2.IMREAD_GRAYSCALE)
    # 创建ClAHE对象
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    # 限制对比度的自适应阈值均衡化
    dst = clahe.apply(image)
    # 显示
    cv2.imshow('src', image)
    cv2.imshow('dst', dst)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

输出结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 12][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70]: /images/20220317/737182f6e5724fbc8429f75fb5f73178.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 1]: /images/20220317/a39642a119c24b23ae16dc4eb70ab920.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 2]: /images/20220317/21ba100e5b7c452caed4f258975c27f0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 3]: /images/20220317/ad92e9e2b8dc4d79b3be9b6e16e8f87b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 4]: /images/20220317/2152540c65064aa69219f34be872d222.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 5]: /images/20220317/9f354a09f56a486e86d93dca4a678450.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 6]: /images/20220317/293b6421bac041d8a69a8847f2f5b123.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 7]: /images/20220317/8553e8e6191f49a69d39cb7bb25742f6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 8]: /images/20220317/f77fab5f842e4fe9a73a210089200778.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 9]: /images/20220317/1d9ac2a1a6534200b0c8f38e2f0e3169.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 10]: /images/20220317/003e6ac2319147689d3b8dd7101e94a9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 11]: /images/20220317/8e3ed3549a8b46959f77d424862392e2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYXdyb2FkODg_size_16_color_FFFFFF_t_70 12]: /images/20220317/71de676e250643bfb81036368950eb0c.png