首页 > 资讯 > 后端开发 > Python >Python+OpenCV解决彩色图亮度不均衡问题

911

分享到

Python+OpenCV解决彩色图亮度不均衡问题

2024-04-02 19:04:59 911人浏览独家记忆

Python 官方文档：入门教程 => 点击学习

摘要

目录前言处理对比度拉伸log变换Gamma校正直方图均衡化对比度自适应直方图均衡化(CLAHE)处理结果展示附源码OpenCV版本skimage版本前言 CSDN博客好久没有换过头像

前言

CSDN博客好久没有换过头像了，想换个新头像，在相册里面翻来翻去，然后就找到以前养的小宠物的一些照片，有一张特别有意思

惊恐到站起来的金丝熊：这家伙不会要吃我吧

没见过仓鼠的小猫：这啥玩意儿？

好，就决定把这张图当自己的头像了

一顿操作之后，把头像换成了这张照片

此时我：啥玩意儿？

。。。。感觉黑乎乎的，啥也看不清

这时候我想起来我学过图像处理，这用亮度变换搞一下不就可以了吗，搞起来！

注意：一般对灰度图进行亮度变换的多一点，但是我这张图是RGB图（准确来说是RGBA，但我们只取前三个通道），对于RGB图，我这里对其每个通道分别进行处理然后拼接处理

处理

对比度拉伸

也就是把图像重新缩放到指定的范围内

# 对比度拉伸
p1, p2 = np.percentile(img, (0, 70))  # numpy计算多维数组的任意百分比分位数
rescale_img = np.uint8((np.clip(img, p1, p2) - p1) / (p2 - p1) * 255)

其中，numpy的percentile函数可以计算多维数组的任意百分比分位数，因为我的图片中整体偏暗，我就把原图灰度值的0% ~ 70%缩放到0 ~255

log变换

使用以下公式进行映射：

# 对数变换
log_img = np.zeros_like(img)
scale, gain = 255, 1.5
for i in range(3):
    log_img[:, :, i] = np.log(img[:, :, i] / scale + 1) * scale * gain

Gamma校正

使用以下公式进行映射：

# gamma变换
gamma, gain, scale = 0.7, 1, 255
gamma_img = np.zeros_like(img)
for i in range(3):
    gamma_img[:, :, i] = ((img[:, :, i] / scale) ** gamma) * scale * gain

直方图均衡化

使用直方图均衡后的图像具有大致线性的累积分布函数，其优点是不需要参数。

其原理为，考虑这样一个图像，它的像素值被限制在某个特定的值范围内，即灰度范围不均匀。所以我们需要将其直方图缩放遍布整个灰度范围(如下图所示，来自维基百科)，这就是直方图均衡化所做的(简单来说)。这通常会提高图像的对比度。

这里使用OpenCV来演示。

# 直方图均衡化
equa_img = np.zeros_like(img)
for i in range(3):
    equa_img[:, :, i] = cv.equalizeHist(img[:, :, i])

对比度自适应直方图均衡化(CLAHE)

这是一种自适应直方图均衡化方法

OpenCV提供了该方法。

# 对比度自适应直方图均衡化
clahe_img = np.zeros_like(img)
clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
for i in range(3):
    clahe_img[:, :, i] = clahe.apply(img[:, :, i])

处理结果展示

使用Matplotlib显示上述几种方法的结果：

可以看到，前四种方法效果都差不多，都有一个问题亮的地方过于亮，这是因为他们考虑的是全局对比度，而且因为我们使用的彩色图像原因，使用log变换的结果图中有部分区域色彩失真。最后一种CLAHE方法考虑的是局部对比度，所以效果会好一点。

因为图像是彩色的，这里我只绘制了R通道的直方图（红色线）及其累积分布函数（黑色线）

可以看到均衡后的图像具有大致线性的累积分布函数。

总之，经过以上的探索，我最终决定使用CLAHE均衡后的结果

感觉是比之前的好了点

附源码

opencv版本

import cv2.cv2 as cv
import matplotlib.pyplot as plt
import numpy as np


def plot_img_and_hist(image, axes, bins=256):
    """Plot an image along with its histogram and cumulative histogram.

    """
    ax_img, ax_hist = axes
    ax_cdf = ax_hist.twinx()

    # Display image
    ax_img.imshow(image, cmap=plt.cm.gray)
    ax_img.set_axis_off()

    # Display histogram
    colors = ['red', 'green', 'blue']
    for i in range(1):
        ax_hist.hist(image[:, :, i].ravel(), bins=bins, histtype='step', color=colors[i])

    ax_hist.ticklabel_fORMat(axis='y', style='scientific', scilimits=(0, 0))

    ax_hist.set_xlabel('Pixel intensity')
    ax_hist.set_xlim(0, 255)    # 这里范围为0~255 如果使用img_as_float，则这里为0~1
    ax_hist.set_yticks([])

    # Display cumulative distribution
    for i in range(1):
        hist, bins = np.histogram(image[:, :, i].flatten(), 256, [0, 256])
        cdf = hist.cumsum()
        cdf = cdf * float(hist.max()) / cdf.max()
        ax_cdf.plot(bins[1:], cdf, 'k')
    ax_cdf.set_yticks([])

    return ax_img, ax_hist, ax_cdf


def plot_all(images, titles, cols):
    """
    输入titles、images、以及每一行多少列，自动计算行数、并绘制图像和其直方图
    :param images:
    :param titles:
    :param cols: 每一行多少列
    :return:
    """
    fig = plt.figure(figsize=(12, 8))
    img_num = len(images)  # 图片的个数
    rows = int(np.ceil(img_num / cols) * 2)  # 上图下直方图 所以一共显示img_num*2个子图
    axes = np.zeros((rows, cols), dtype=object)
    axes = axes.ravel()
    axes[0] = fig.add_subplot(rows, cols, 1)  # 先定义第一个img 单独拿出来定义它是为了下面的sharex
    # 开始创建所有的子窗口
    for i in range(1, img_num):  #
        axes[i + i // cols * cols] = fig.add_subplot(rows, cols, i + i // cols * cols + 1, sharex=axes[0],
                                                     sharey=axes[0])
    for i in range(0, img_num):
        axes[i + i // cols * cols + cols] = fig.add_subplot(rows, cols, i + i // cols * cols + cols + 1)

    for i in range(0, img_num):  # 这里从1开始，因为第一个在上面已经绘制过了
        ax_img, ax_hist, ax_cdf = plot_img_and_hist(images[i],
                                                    (axes[i + i // cols * cols], axes[i + i // cols * cols + cols]))
        ax_img.set_title(titles[i])
        y_min, y_max = ax_hist.get_ylim()
        ax_hist.set_ylabel('Number of pixels')
        ax_hist.set_yticks(np.linspace(0, y_max, 5))

        ax_cdf.set_ylabel('Fraction of total intensity')
        ax_cdf.set_yticks(np.linspace(0, 1, 5))

    # prevent overlap of y-axis labels
    fig.tight_layout()
    plt.show()
    plt.close(fig)


if __name__ == '__main__':
    img = cv.imread('catandmouse.png', cv.IMREAD_UNCHANGED)[:, :, :3]
    img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    # 对比度拉伸
    p1, p2 = np.percentile(img, (0, 70))  # numpy计算多维数组的任意百分比分位数
    rescale_img = np.uint8((np.clip(img, p1, p2) - p1) / (p2 - p1) * 255)

    # 对数变换
    log_img = np.zeros_like(img)
    scale, gain = 255, 1.5
    for i in range(3):
        log_img[:, :, i] = np.log(img[:, :, i] / scale + 1) * scale * gain

    # gamma变换
    gamma, gain, scale = 0.7, 1, 255
    gamma_img = np.zeros_like(img)
    for i in range(3):
        gamma_img[:, :, i] = ((img[:, :, i] / scale) ** gamma) * scale * gain

    # 彩色图直方图均衡化
    # 直方图均衡化
    equa_img = np.zeros_like(img)
    for i in range(3):
        equa_img[:, :, i] = cv.equalizeHist(img[:, :, i])
    # 对比度自适应直方图均衡化
    clahe_img = np.zeros_like(img)
    clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    for i in range(3):
        clahe_img[:, :, i] = clahe.apply(img[:, :, i])

    titles = ['img', 'rescale', 'log', 'gamma', 'equalizeHist', 'CLAHE']
    images = [img, rescale_img, log_img, gamma_img, equa_img, clahe_img]
    plot_all(images, titles, 3)

skimage版本

from skimage import exposure, util, io, color, filters, morphology
import matplotlib.pyplot as plt
import numpy as np


def plot_img_and_hist(image, axes, bins=256):
    """Plot an image along with its histogram and cumulative histogram.

    """
    image = util.img_as_float(image)
    ax_img, ax_hist = axes
    ax_cdf = ax_hist.twinx()

    # Display image
    ax_img.imshow(image, cmap=plt.cm.gray)
    ax_img.set_axis_off()

    # Display histogram
    colors = ['red', 'green', 'blue']
    for i in range(1):
        ax_hist.hist(image[:, :, i].ravel(), bins=bins, histtype='step', color=colors[i])

    ax_hist.ticklabel_format(axis='y', style='scientific', scilimits=(0, 0))
    ax_hist.set_xlabel('Pixel intensity')
    ax_hist.set_xlim(0, 1)
    ax_hist.set_yticks([])

    # Display cumulative distribution
    for i in range(1):
        img_cdf, bins = exposure.cumulative_distribution(image[:, :, i], bins)
        ax_cdf.plot(bins, img_cdf, 'k')
    ax_cdf.set_yticks([])

    return ax_img, ax_hist, ax_cdf


def plot_all(images, titles, cols):
    """
    输入titles、images、以及每一行多少列，自动计算行数、并绘制图像和其直方图
    :param images:
    :param titles:
    :param cols: 每一行多少列
    :return:
    """
    fig = plt.figure(figsize=(12, 8))
    img_num = len(images)  # 图片的个数
    rows = int(np.ceil(img_num / cols) * 2)  # 上图下直方图 所以一共显示img_num*2个子图
    axes = np.zeros((rows, cols), dtype=object)
    axes = axes.ravel()
    axes[0] = fig.add_subplot(rows, cols, 1)  # 先定义第一个img 单独拿出来定义它是为了下面的sharex
    # 开始创建所有的子窗口
    for i in range(1, img_num):  #
        axes[i + i // cols * cols] = fig.add_subplot(rows, cols, i + i // cols * cols + 1, sharex=axes[0],
                                                     sharey=axes[0])
    for i in range(0, img_num):
        axes[i + i // cols * cols + cols] = fig.add_subplot(rows, cols, i + i // cols * cols + cols + 1)

    for i in range(0, img_num):  # 这里从1开始，因为第一个在上面已经绘制过了
        ax_img, ax_hist, ax_cdf = plot_img_and_hist(images[i],
                                                    (axes[i + i // cols * cols], axes[i + i // cols * cols + cols]))
        ax_img.set_title(titles[i])
        y_min, y_max = ax_hist.get_ylim()
        ax_hist.set_ylabel('Number of pixels')
        ax_hist.set_yticks(np.linspace(0, y_max, 5))

        ax_cdf.set_ylabel('Fraction of total intensity')
        ax_cdf.set_yticks(np.linspace(0, 1, 5))

    # prevent overlap of y-axis labels
    fig.tight_layout()
    plt.show()
    plt.close(fig)


if __name__ == '__main__':
    img = io.imread('catandmouse.png')[:, :, :3]

    gray = color.rgb2gray(img)
    # 对比度拉伸
    p1, p2 = np.percentile(img, (0, 70))  # numpy计算多维数组的任意百分比分位数
    rescale_img = exposure.rescale_intensity(img, in_range=(p1, p2))

    # 对数变换
    # img = util.img_as_float(img)
    log_img = np.zeros_like(img)
    for i in range(3):
        log_img[:, :, i] = exposure.adjust_log(img[:, :, i], 1.2, False)

    # gamma变换
    gamma_img = np.zeros_like(img)
    for i in range(3):
        gamma_img[:, :, i] = exposure.adjust_gamma(img[:, :, i], 0.7, 2)

    # 彩色图直方图均衡化
    equa_img = np.zeros_like(img, dtype=np.float64)  # 注意直方图均衡化输出值为float类型的
    for i in range(3):
        equa_img[:, :, i] = exposure.equalize_hist(img[:, :, i])

    # 对比度自适应直方图均衡化
    clahe_img = np.zeros_like(img, dtype=np.float64)
    for i in range(3):
        clahe_img[:, :, i] = exposure.equalize_adapthist(img[:, :, i])

    # 局部直方图均衡化 效果不好就不放了
    selem = morphology.rectangle(50, 50)
    loc_img = np.zeros_like(img)
    for i in range(3):
        loc_img[:, :, i] = filters.rank.equalize(util.img_as_ubyte(img[:, :, i]), footprint=selem)

    # Display results
    titles = ['img', 'rescale', 'log', 'gamma', 'equalizeHist', 'CLAHE']
    images = [img, rescale_img, log_img, gamma_img, equa_img, clahe_img]

    plot_all(images, titles, 3)

以上就是python+OpenCV解决彩色图亮度不均衡问题的详细内容，更多关于Python OpenCV彩色图亮度不均衡的资料请关注编程网其它相关文章！

您可能感兴趣的文档:

--结束END--

本文标题: Python+OpenCV解决彩色图亮度不均衡问题

本文链接: https://lsjlt.com/news/161379.html(转载时请注明来源链接)

有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

回答

如何调试操作系统的错误？
操作系统

2023-11-15发布

回答

操作系统中的I/O系统是如何实现的？
操作系统

2023-11-15发布

回答

如何实现操作系统的内存管理？
操作系统

2023-11-15发布

回答

什么是虚拟内存，它对操作系统有什么影响？
操作系统

2023-11-15发布

回答

ASP中的MVC架构和WebForms架构有什么区别和使用场景？
ASP.NET

2023-11-15发布

回答

ASP中的数据验证和数据校验有什么不同？
ASP.NET

2023-11-15发布

回答

ASP中的ADO对象和DAO对象有什么区别和使用方法？
ASP.NET

2023-11-15发布

回答

Node.js中的包管理器NPM是什么？如何使用它进行依赖管理？
node.js

2023-11-15发布

回答

Vue.js中的动态组件是什么？如何使用它来动态渲染组件？
VUE

2023-11-15发布

回答

如何使用Vue.js实现懒加载和预加载？
VUE

2023-11-15发布

Python+OpenCV解决彩色图亮度不均衡问题

目录

前言

处理

对比度拉伸

log变换

Gamma校正

直方图均衡化

对比度自适应直方图均衡化(CLAHE)

处理结果展示

附源码

opencv版本

skimage版本

Python+OpenCV解决彩色图亮度不均衡问题

Python+OpenCV怎么解决彩色图亮度不均衡问题

如何解决div不能自适应高度不能随图片的高度变化问题

python画图中文不显示问题的解决方法

如何设置背景色解决png图片设置background不显示问题

使用python怎么解决OpenCV在读取显示图片闪退的问题

中秋送礼分配不均这款python刮刮卡完美解决问题

如何解决Python绘制子图及子图刻度的变换等的问题

怎样解决windows系统隐藏不活动的图标选项变成了灰色不可用状态的问题

python matplotlib画图时坐标轴重叠显示不全和图片保存时不完整的问题解决

python分析数据的方法是什么

如何使用Python实现抽奖小程序

python copy函数的作用是什么

python ffmpeg模块怎么安装和使用

python进程池创建队列的方法是什么

python无法运行文件的原因有哪些

python can't open file报错怎么解决

python keyerror错误怎么解决

python字符串处理与应用的方法有哪些

python全局变量如何定义