灰度直方图均衡化----python实现
- 格式：pdf
- 大小：52.85 KB
- 文档页数：1
灰度直⽅图均衡化----python实现
直⽅图均衡化是使⽤图像直⽅图进⾏对⽐度调整的图像处理的⽅法。
该⽅法通常会增加许多图像的整体对⽐度，尤其是当图像的可⽤数据由接近的对⽐度值表⽰时。 通过这种调整，强度可以更好地分布在直⽅
图上。 这允许局部对⽐度较低的区域获得较⾼的对⽐度。 直⽅图均衡化通过有效地分散最频繁的强度值来实现这⼀点。
实现原理参考⾃
第⼀种是⾃⼰写的，消耗时间长。第⼆种参考⾃
import cv2
import numpy as np
def equalizationByLoop(img):
a, b = img.shape
flatten = np.reshape(img, [-1, ])
img_list = flatten.tolist()
# 获取出现的灰度值
img_set = np.unique(img)
img_set = np.sort(img_set)
# 获取灰度值出现次数
cdf = []
for i in img_set:
cdf.append(img_list.count(i))
cdf = np.array(cdf)
# 累积分布函数和计算均衡化
cdf = np.cumsum(cdf)
cdf_min = np.min(cdf)
cdf = (cdf-cdf_min)/(len(img_list)-cdf_min)*255
# 获取新图像
for x in range(a):
for y in range(b):
index = np.argwhere(img_set == img[x][y])
img[x][y] = cdf[index]
return img
def equalizationByNumpy(img):
hist, bins = np.histogram(img.flatten(), 256, [0, 256])
# hist是亮度值出现次数的统计
cdf = hist.cumsum()
# cdf是出现次数的累积分布函数
# 如果⾼灰度值没有次数，但累计分布函数会把它加⼊。但最后在索引⽣成新图像时舍去
# 均衡化处理
cdf_m = np.ma.masked_equal(cdf, 0)
cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
cdf = np.ma.filled(cdf_m, 0).astype('uint8')
# ⽣成新图像
img2 = cdf[img]
return img2
def main():
img = cv2.imread('leno.jpg', cv2.IMREAD_GRAYSCALE)
new_img = np.copy(img)
# 处理时间长
# new_img = equalizationByLoop(new_img)
new_img = equalizationByNumpy(new_img)
cv2.imshow('img', img)
cv2.imshow('new img', new_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
if __name__ == '__main__':
main()
