这篇文章主要介绍“Python+OpenCV怎么解决彩色图亮度不均衡问题”,在日常操作中,相信很多人在Python+OpenCV怎么解决彩色图亮度不均衡问题问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”Python+OpenCV怎么解决彩色图亮度不均衡问题”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!
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, 1.5for 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, 255gamma_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 cvimport matplotlib.pyplot as pltimport numpy as npdef 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_cdfdef 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, morphologyimport matplotlib.pyplot as pltimport numpy as npdef 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_cdfdef 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)
到此,关于“Python+OpenCV怎么解决彩色图亮度不均衡问题”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注编程网网站,小编会继续努力为大家带来更多实用的文章!