图像预处理-直方图均衡化

一.什么是直方图

反映图像像素分布的统计图，横坐标 就是图像像素的取值 ，纵坐标 是该像素 的个数。

二.绘制直方图

hist=cv2.calcHist(images, channels, mask, histSize, ranges)

• images ：输入图像列表 （必须用**[ ]**包裹），可以是一幅或多幅图像（通常是灰度图像或者彩色图像的各个通道）。

• channels ：如果输入图像是灰度图 ，它的值就是**[0]** ；如果是彩色图像 的话，传入的参数可以是 [0]，[1]，[2] 它们分别对应着通道 B，G，R。

• mask （可选）：一个与输入图像尺寸相同的二值掩模图像，其中非零元素标记了参与直方图计算的区域, None为全部计算。

• histSize ：一个整数列表 ，也就是直方图的区间个数 (柱子的数目)。用中括号括起来，例如：[256]。

• ranges ：每维数据的取值范围 ，它是一个二维列表 ，每一维对应一个通道的最小值和最大值，例如对灰度图像可能是 [0, 256]。

返回值hist 是一个长度为255 的数组，数组中的每个值表示图像中对应灰度等级的像素计数

下面介绍一个方法，获取部分信息便于后面绘图：

minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)

获取直方图的最小值 、最大值 及其对应的位置索引

绘图函数：

cv2.line(img, pt1, pt2, color, thickness)

• img ：原始图像，即要在上面画线的numpy数组（一般为uint8类型）。

• pt1 和 pt2 ：分别为线段的起点和终点坐标，它们都是元组 类型，例如 (x1, y1) 和 (x2, y2) 分别代表线段两端的横纵坐标。

• color：线段的颜色，通常是一个包含三个元素的元组 `(B, G, R)` 表示BGR色彩空间的像素值，也可以是灰度图像的一个整数值。

• thickness ：线段的宽度，默认值是1，如果设置为负数，则线宽会被 填充。

import cv2 as cv
import numpy as np

img = cv.imread('../images/zhifang.png')

# 获取图像像素计数相关信息
hist = cv.calcHist([img], [0], None, [256], [0, 256])

# 获取直方图最小值、最大值及其位置索引
minVal, maxVal, minLoc, maxLoc = cv.minMaxLoc(hist)

# 限制直方图的高，不要超过图像高度的90%
hist_height = int(256 * 0.9)

# 创建一张全白的图像，作为背景来绘图
hist_img = np.full((256, 256, 3), 255, np.uint8)

# 绘制直方图
for h in range(256):
    # 计算每个直方图的高度，这里* hist_height / maxVal 是为了限制直方图的高度，不要超过图像高度的90%
    height = int(hist[h].item() * hist_height / maxVal )
    # 开始绘制（这里的坐标系是opencv绘图的坐标系，不要搞混了）
    cv.line(hist_img, (h, 256), (h, 256 - height), (0, 0, 255), 1)

cv.imshow('hist', hist_img)
cv.waitKey(0)
cv.destroyAllWindows()

三.直方图均衡化

就是用来改善图像的全局亮度 和对比度 ，通俗的讲，就是遍历图像的像素统计出灰度值的个数、比例与累计比例 ，并重新映射（归一化）到0-255范围（也可以是其他范围）内。

3.1 自适应直方图均衡化（Adaptive Histogram Equalization, AHE）

首先就是统计其每个像素值的个数、比例 以及其累计比例：

随后用原像素值的累计比例 乘以255 （一般缩放比例都是0~255），得到新的像素值。这样就完成了最基本的直方图均衡化的过程：

AHE函数：

dst = cv.equalizeHist(imgGray)

imgGray为需要直方图均衡化的灰度图，返回值为处理后的图像

import cv2 as cv
import numpy as np

# 直接灰度化
img = cv.imread('../images/zhifang.png', cv.IMREAD_GRAYSCALE)

# 自适应直方图均衡化
img_adapteq = cv.equalizeHist(img)

cv.imshow('img', img)
cv.imshow('img_adapteq', img_adapteq)
cv.waitKey(0)
cv.destroyAllWindows()

该方法适用于图像的灰度分布不均匀 ，且灰度分布集中 在更窄 的范围，图像的细节不够清晰 且对比度较低 的情况。但很明显，因为全局调整亮度和对比度的原因，脸部太亮，大部分细节 都丢失了。

3.2 对比度受限的自适应直方图均衡化（CLAHE）

其主要步骤为：

1. 图像分块（Tiling）：

• 图像首先被划分为多个不重叠 的小块（tiles）。这样做的目的是因为在全局直方图均衡化中，单一的直方图无法反映图像各个局部区域的差异性。（tiles 的 大小默认是 8x8）

2. 计算子区域直方图：

• 对于每个小块 ，独立计算其内部像素的灰度直方图。直方图反映了该区域内像素值的分布情况。

3. 子区域直方图均衡化：

• 对每个小块的直方图执行直方图均衡化操作。这涉及重新分配像素值，以便在整个小块内更均匀地分布。均衡化过程会增加低频像素的数量，减少高频像素的数量，从而提高整个小块的对比度。

4. 对比度限制（Contrast Limiting）：

• 为了防止 过大的对比度增强导致噪声放大 ，出现了限制对比度自适应直方图均衡化 。CLAHE会在直方图均衡化过程中引入一个对比度限制参数 。当某一小块的直方图在均衡化后出现极端值 时，会对直方图进行平滑处理（使用线性或非线性的钳制函数），确保对比度增强在一个合理的范围内。

5. 重采样和邻域像素融合：

• 由于小块之间是不重叠的，直接拼接 经过均衡化处理的小块会产生明显的边界效应 。因此，在CLAHE中通常采用重采样技术 来消除这种效应，比如通过双线性插值 将相邻小块的均衡化结果进行平滑过渡，使最终图像看起来更为自然和平滑。

6.合成输出图像：

• 将所有小块均衡化后的结果整合在一起，得到最终的自适应直方图均衡化后的图像。

clahe = cv2.createCLAHE(clipLimit=None, tileGridSize=None)

• clipLimit （可选）：对比度限制参数，用于控制直方图均衡化过程中对比度增强的程度 。如果不设置，OpenCV会使用一个默认值1。

• tileGridSize （可选）：图像分块的大小，通常是一个包含两个整数的元组 ，如**(8, 8)** 。分块大小的选择会影响到CLAHE的效果以及处理速度。

创建CLAHE对象后，可以使用 .apply() 方法对图像进行CLAHE处理：

img=clahe.apply(image)

• **image：**要均衡化的图像。

• **img：**均衡后的图像

import cv2 as cv
import numpy as np

# 直接灰度化
img = cv.imread('../images/zhifang.png', cv.IMREAD_GRAYSCALE)

# 自适应直方图均衡化
img_adapteq = cv.equalizeHist(img)

# 对比度受限直方图均衡化
clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
img_clahe = clahe.apply(img)

cv.imshow('img', img)
cv.imshow('img_adapteq', img_adapteq)
cv.imshow('img_clahe', img_clahe)
cv.waitKey(0)
cv.destroyAllWindows()