灰度直方图均衡化----python实现

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了灰度直方图均衡化----python实现，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1635字，纯文字阅读大概需要3分钟。

内容图文

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。

实现原理参考自直方图均衡（维基百科）

第一种是自己写的，消耗时间长。第二种参考自opencv-python的直方图均衡

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()  

内容总结

以上是互联网集市为您收集整理的灰度直方图均衡化----python实现全部内容，希望文章能够帮你解决灰度直方图均衡化----python实现所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端