day35图像处理OpenCV

文章目录

一、图像预处理
- 17 直方图均衡化
- 19 模板匹配

一、图像预处理

17 直方图均衡化

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。也就是对一张图像中不同像素值的像素个数的统计。
增加对比度：黑的更黑，白的更白。

17.1绘制直方图

就是以像素值为横坐标，像素值的个数为纵坐标绘制一个统计图。

关键3步
hist=cv2.calcHist(images, channels, mask, histSize, ranges)
- 作用
  - 统计像素出现的次数
- 参数
  - images：输入图像列表，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：一个包含整数的列表，指示在每个图像上计算直方图的通道编号。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）：掩模，非黑色区域（目标区域）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(BIN 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
minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)
- 参数：hist是上面的返回值数组
- 返回值：
  - 获取直方图的最小值、最大值及其对应最小值的位置索引、最大值的位置索引
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
- color：线段的颜色
- thickness：线段的宽度，默认值是1

示例：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as pltdef draw():img = cv.imread('./images/lvbo.png')# 统计像素出现的次数hist = cv.calcHist(img, [0], None, [256], [0, 256])print(hist.shape)# 获取最大和最小值的个数 和 索引（在hist数组中）minval, maxval, minloc, maxloc = cv.minMaxLoc(hist)# 创建全黑图像，用于绘制直方图hist_img = np.zeros([256, 256, 3], np.uint8)for i in range(256):# 除最大值：将所有出现的个数归一化(0~1)# 乘0.9*255：将所有个数限制在 0~0.9*255 之间h = int(hist[i].item() / maxval * (0.9*256))cv.line(hist_img,(i, 256),(i, 256-h), (255, 255, 255), 1)cv.imshow('hist', hist_img)cv.waitKey(0)cv.destroyAllWindows()
draw()

17.2直方图均衡化

一副效果好的图像通常在直方图上的分布比较均匀，直方图均衡化就是用来改善图像的全局亮度和对比度。

直方图均衡化作用：
- 增强对比度
- 提高图像质量

1. 自适应直方图均衡化

自适应直方图均衡化（Adaptive Histogram Equalization, AHE），通过调整图像像素值的分布，使得图像的对比度和亮度得到改善。

语法：
- dst = cv.equalizeHist(imgGray)
参数：灰度图

imgGray为需要直方图均衡化的灰度图，返回值为处理后的图像

优点：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。

缺点：会出现太亮的部分，会出现特征丢失

示例

img = cv.imread('./images/lvbo.png')
img = cv.resize(img, (256, 256))
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
h = cv.equalizeHist(gray)
cv.imshow('gray', gray)
cv.imshow('h', h)
cv.waitKey(0)
cv.destroyAllWindows()

2. 对比度受限的自适应直方图均衡化

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。自适应均衡化就是用来解决这一问题的：它在每一个小区域内（默认8×8）进行直方图均衡化。当然，如果有噪点的话，噪点会被放大，需要对小区域内的对比度进行了限制，所以这个算法全称叫：对比度受限的自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization, CLAHE)。

其主要步骤为：

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。通过局部处理，AHE能够更好地适应图像内部的不同光照和对比度特性。（tiles 的大小默认是 8x8）
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。
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。
对比度限制（Contrast Limiting）：
- 如果有噪声的话，噪声会被放大。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）。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。
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。
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。

语法：
- 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。如果设置一个大于1的值（如2.0或4.0），CLAHE会限制对比度增强的最大程度，避免过度放大噪声。如果不设置，OpenCV会使用一个默认值。
  - 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)，表示将图像划分成8x8的小块进行独立的直方图均衡化处理。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

3. 示例

import cv2 as cv
import numpy as np
# 绘制直方图的方法
def draw(img):# 统计像素出现的次数hist = cv.calcHist([img], [0], None, [256], [0, 256])# 获取最大和最小值的个数 和 索引（在hist数组中）minval, maxval, minloc, maxloc = cv.minMaxLoc(hist)# 创建全黑图像，用于绘制直方图hist_img = np.zeros([256, 256, 3], np.uint8)for i in range(256):# 除最大值：将所有出现的个数归一化(0~1)# 乘0.9*255：将所有个数限制在 0~0.9*255 之间h = int(hist[i].item() / maxval * (0.9 * 256))cv.line(hist_img, (i, 256), (i, 256 - h), (255, 255, 255), 1)return hist_img
# 均衡化的两个方法
def draw3():img = cv.imread('./images/zhifang.png')gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)# 绘制灰度图的直方图hts_fray = draw(gray)# 普通的直方图均衡化eqe = cv.equalizeHist(gray)hts_eqe = draw(eqe)# 绘制直方图# 对比度受限的均衡化clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))img_clahe = clahe.apply(gray)hts_clahe = draw(img_clahe) # 绘制CLAHE后的直方图cv.imshow('hts_fray', hts_fray)cv.imshow('hts_eqe', hts_eqe)cv.imshow('hts_clahe', hts_clahe)cv.waitKey(0)cv.destroyAllWindows()
draw3()