OpenCV对比度增强

1.1. 为什么需要对比度增强？

对比度是图像中明暗区域之间的差异程度。高对比度的图像具有更鲜明的明暗区域，视觉效果更清晰，细节更突出。对比度增强的主要目的包括：

提高可视性：增强图像的对比度可以使图像更易于识别和理解。
改善图像质量：在光照不足或图像质量较差的情况下，对比度增强可以提升图像的细节和层次感。
辅助计算机视觉任务：对比度增强可以帮助提取图像特征，例如边缘和纹理，从而提升目标检测和分析的效果。

1.2. 对比度增强的原理是什么？

对比度增强的原理是通过调整图像中像素的亮度值，使图像的明暗差异更加明显。常见的方法包括：

线性变换：通过线性函数调整像素值，将图像的灰度范围拉伸到更宽的区间。
直方图均衡化：通过重新分布图像的灰度值，使直方图更加均匀，从而增强对比度。
自适应直方图均衡化（AHE）：将图像划分为多个小区域，分别对每个区域进行直方图均衡化，以增强局部对比度。
限制对比度自适应直方图均衡化（CLAHE）：在AHE的基础上限制对比度增强幅度，避免噪声放大。

1.3. 在 OpenCV 中如何实现对比度增强？注意事项是什么？

1.3.1. 实现方法

线性对比度拉伸 使用 cv2.convertScaleAbs() 函数，通过调整对比度系数（alpha）和亮度偏移量（beta）来增强对比度。

alpha：对比度系数，控制图像的对比度。

- 默认值为 1.0。
- 增大 alpha：对比度增强，图像的明暗差异更明显。
- 减小 alpha：对比度减弱，图像的明暗差异变小。

beta：亮度偏移量，控制图像的整体亮度。

- 默认值为 0。
- 增大 beta：图像整体变亮。
- 减小 beta：图像整体变暗。

python 复制代码

import cv2
img = cv2.imread('image.jpg')
enhanced_img = cv2.convertScaleAbs(img, alpha=1.5, beta=0)
cv2.imshow('Enhanced Image', enhanced_img)
cv2.waitKey(0)

测试一下各参数对结果的影响：在网上照一张医学影像来测试一下

python 复制代码

 def showImgs(imgs_and_titles):
    """
    显示图片对比函数。

    参数:
        imgs_and_titles: 一个包含二元组的列表，每个二元组包含 (图片, 标题)。
    """
    # 每行最多显示 4 张图片
    num_cols = 4
    num_rows = (len(imgs_and_titles) + num_cols - 1) // num_cols  # 计算需要的行数

    # 创建一个足够大的画布
    fig, axes = plt.subplots(num_rows, num_cols, figsize=(15, 5 * num_rows))

    # 如果只有一行，axes 不是二维数组，需要处理这种情况
    if num_rows == 1:
        axes = [axes]  # 将 axes 转换为二维数组

    # 遍历所有图片和标题
    for idx, (img, title) in enumerate(imgs_and_titles):
        row = idx // num_cols
        col = idx % num_cols
        ax = axes[row][col]

        # 显示图片
        ax.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))  # 转换为 RGB 格式
        ax.set_title(title)  # 设置标题
        ax.axis("off")  # 关闭坐标轴

    # 隐藏剩余的空白子图
    for idx in range(len(imgs_and_titles), num_rows * num_cols):
        row = idx // num_cols
        col = idx % num_cols
        axes[row][col].axis("off")

    plt.tight_layout()  # 自动调整子图间距
    plt.show()
def TestEnhanced():
    img = cv2.imread("heart.png", 0)
    imgs = [(img, "Original Image")]
    alpha_betas = [  # 低对比度组
        (0.1, 0.1),  # 极低对比度，
        (0.3, 0.1),  # 低对比度，
        (0.5, 0.1),  # 较低对比度，
        # 高对比度组
        (1.2, 0.1),  # 中等对比度，
        (1.6, 0.1),  # 较高对比度，
        (2.0, 0.1),  # 高对比度，
        # 亮度调整组
        (1.0, -50),  # 原始对比度，较暗
        (1.0, -20),  # 原始对比度，稍暗
        (1.0, 0),  # 原始对比度，无亮度调整
        (1.0, 20),  # 原始对比度，稍亮
        (1.0, 50),  # 原始对比度，较亮
    ]
    for alpha, beta in alpha_betas:
        curEnhanced_img = cv2.convertScaleAbs(img, alpha=alpha, beta=beta)
        imgs.append((curEnhanced_img, f"curEnhanced_img alpa={alpha} beta={beta}"))
    cvTest.showImgs(imgs)

可以看到增强对比度确实可以提高图像细节，位置（2,3）增强对比度的结果与（3,4）增加亮度的结果，还是对比度增强效果要好一些，大家也可以试试其他参数。

直方图均衡化 使用 cv2.equalizeHist() 函数对灰度图像进行直方图均衡化。

输入图像必须是灰度图像：

- cv2.equalizeHist() 函数仅适用于单通道的灰度图像。如果输入的是彩色图像，需要先将其转换为灰度图像。

特别适用于图像的灰度值集中在某个较窄的范围内时。
可能的缺陷

- 细节丢失：直方图均衡化是全局操作，可能会导致某些局部细节丢失，尤其是在图像的亮部和暗部。
- 过度增强：在某些情况下，直方图均衡化可能会使图像的某些部分过度增强，导致视觉效果不佳。

替代方法：如果需要更好地保留局部细节，可以使用自适应直方图均衡化（CLAHE），CLAHE 将图像划分为多个小块，分别对每个块进行直方图均衡化，从而避免全局均衡化的缺陷。

python 复制代码

 def TestContrast():
    image = cv2.imread("heart.png", 0)  # 读取灰度图
    # enhanced_img = cv2.convertScaleAbs(image, alpha=1.5, beta=0.1)  # 线性对比度拉升
    equalized_img = cv2.equalizeHist(image)  # 直方图均衡化

    # clahe = cv2.createCLAHE(clipLimit=20.0, tileGridSize=(4, 4))
    # clahe_img = clahe.apply(image)  # 自适应直方图均衡化

    images = [
        (image, "Original Image"),
        # (enhanced_img, "enhanced_img"),
        (equalized_img, "equalized_img"),
        # (clahe_img, "clahe_img"),
    ]

    cvTest.showImgs(images)

可以看到：整体的亮度增加了，亮和暗的细节也有部分丢失

CLAHE（限制对比度自适应直方图均衡化） 使用 cv2.createCLAHE() 创建CLAHE对象，并应用到图像上，关键参数如下：

clipLimit 参数

- 作用：clipLimit 是对比度限制阈值，用于控制局部对比度增强的程度。
- 影响：

- - 较小值（如 1.0-2.0）：限制对比度增强的幅度，避免噪声放大。适用于需要保留细节的图像，但可能会导致对比度增强不够明显。
  - 较大值（如 40.0）：允许更强的对比度增强，但可能会放大噪声，导致图像细节丢失。

- 选择方法：通常建议从较小值（如 2.0）开始尝试，逐步增加以观察对比度增强的效果，同时注意避免噪声放大。

tileGridSize 参数

- 作用：tileGridSize 定义了图像被划分为小块的大小（以网格形式表示），决定了局部均衡化的粒度。
- 影响：

- - 较小值（如 (4, 4)****）：图像被划分为更多小块，局部对比度增强更精细，细节更明显，但可能会出现边界伪影。
  - 较大值（如 (16, 16)****）：图像被划分为较少的大块，局部对比度增强更平滑，但细节保留较少。

- 选择方法 ：通常建议从 (8, 8) 开始尝试，根据图像的大小和细节需求进行调整。

如何选择这两个参数？

根据图像类型选择参数：

- - 医学图像或卫星图像 ：需要保留细节 ，建议使用较小的 clipLimit（如 2.0）和适中的 tileGridSize（如 (8, 8)）。
  - 低对比度图像 ：可以尝试较大的 clipLimit 和较小的 tileGridSize，以增强对比度。

实验调整：

- - 通过多次实验，观察不同参数组合对图像的影响，找到最适合当前图像的设置。

避免噪声放大：

在增强对比度的同时，注意观察图像中是否有噪声放大现象，适当调整 clipLimit。

python 复制代码

import cv2
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
clahe_img = clahe.apply(img)
cv2.imshow('CLAHE Image', clahe_img)
cv2.waitKey(0)

我们来验证一下同样的tileGridSize 下clipLimit 逐渐增强的效果

python 复制代码

def TestCLAHE():
        image_path = "heart.png"
        img = cv2.imread(image_path, 0)
        if img is None:
            raise FileNotFoundError(f"图像文件未找到：{image_path}")
        imgs = [(img, "Original Image")]
        clahe_params_clipLimitUp = [
            {"clipLimit": 1.0, "tileGridSize": (4, 4), "title": "CLAHE (1.0, 4x4)"},
            {"clipLimit": 2.0, "tileGridSize": (4, 4), "title": "CLAHE (2.0, 4x4)"},
            {"clipLimit": 40, "tileGridSize": (4, 4), "title": "CLAHE (40, 4x4)"},
        ]
        for param in clahe_params_clipLimitUp:
            clahe = cv2.createCLAHE(
                clipLimit=param["clipLimit"], tileGridSize=param["tileGridSize"]
            )
            clahe_img = clahe.apply(img)  # 自适应直方图均衡化
            imgs.append((clahe_img, param["title"]))
        cvTest.showImgs(imgs)

可以看到，越来越亮，但是噪声也同样放大了，特别是到40的时候噪声更明显

我们再对比一下同样的clipLimit 下，tileGridSize 增强的结果：

python 复制代码

def TestCLAHE():
        image_path = "heart.png"
        img = cv2.imread(image_path, 0)
        if img is None:
            raise FileNotFoundError(f"图像文件未找到：{image_path}")
        imgs = [(img, "Original Image")]
        clahe_params_tileGridSizeUp = [
            {"clipLimit": 2.0, "tileGridSize": (4, 4), "title": "CLAHE (1.0, 4x4)"},
            {"clipLimit": 2.0, "tileGridSize": (8, 8), "title": "CLAHE (1.0, 8x8)"},
            {"clipLimit": 2.0, "tileGridSize": (16, 16), "title": "CLAHE (1.0, 16x16)"},
        ]
        for param in clahe_params_tileGridSizeUp:
            clahe = cv2.createCLAHE(
                clipLimit=param["clipLimit"], tileGridSize=param["tileGridSize"]
            )
            clahe_img = clahe.apply(img)  # 自适应直方图均衡化
            imgs.append((clahe_img, param["title"]))
        cvTest.showImgs(imgs)

可以看到划分块的尺寸越小，细节效果越好，尺寸越大的，肉眼可见感觉噪声较大

这种医学图像需要保留较多的细节建议使用较小的 clipLimit（如 2.0）和适中的 tileGridSize（如 (8, 8)）。

1.4. 注意事项

参数选择 ：对比度增强系数（如 alpha）和直方图均衡化的参数（如 clipLimit）需要根据具体图像调整，避免过度增强或欠增强。
图像类型：直方图均衡化适用于灰度图像，对于彩色图像需要分别对每个通道进行处理。
噪声问题：AHE和CLAHE可能会放大图像噪声，特别是在均匀区域，需要谨慎使用。