Python+OpenCV怎么解决彩色图亮度不均衡问题

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，请继续关注网站，小编会继续努力为大家带来更多实用的文章！