Python+OpenCV解決彩色圖亮度不均衡問題
更新時間：2021年12月31日 14:55:34 作者：薛定貓
當我們換新頭像時，常常會遇到圖片過暗導致看不到圖片內(nèi)容的情況，本文將介紹如何通過Python和OpenCV解決色彩圖亮度不均衡的問題，需要的可以參考一下
前言
CSDN博客好久沒有換過頭像了，想換個新頭像，在相冊里面翻來翻去，然后就找到以前養(yǎng)的小寵物的一些照片，有一張?zhí)貏e有意思
驚恐到站起來的金絲熊：這家伙不會要吃我吧
沒見過倉鼠的小貓：這啥玩意兒？
好，就決定把這張圖當自己的頭像了
一頓操作之后，把頭像換成了這張照片
此時我：啥玩意兒？
。。。。感覺黑乎乎的，啥也看不清
這時候我想起來我學過圖像處理，這用亮度變換搞一下不就可以了嗎，搞起來！
注意：一般對灰度圖進行亮度變換的多一點，但是我這張圖是RGB圖（準確來說是RGBA，但我們只取前三個通道），對于RGB圖，我這里對其每個通道分別進行處理然后拼接處理
處理
對比度拉伸
也就是把圖像重新縮放到指定的范圍內(nèi)
# 對比度拉伸 p1, p2 = np.percentile(img, (0, 70)) # numpy計算多維數(shù)組的任意百分比分位數(shù) rescale_img = np.uint8((np.clip(img, p1, p2) - p1) / (p2 - p1) * 255)
其中，numpy的percentile函數(shù)可以計算多維數(shù)組的任意百分比分位數(shù)，因為我的圖片中整體偏暗，我就把原圖灰度值的0% ~ 70%縮放到0 ~255
log變換
使用以下公式進行映射：
# 對數(shù)變換
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校正
使用以下公式進行映射：
# gamma變換
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
直方圖均衡化
使用直方圖均衡后的圖像具有大致線性的累積分布函數(shù)，其優(yōu)點是不需要參數(shù)。
其原理為，考慮這樣一個圖像，它的像素值被限制在某個特定的值范圍內(nèi)，即灰度范圍不均勻。所以我們需要將其直方圖縮放遍布整個灰度范圍(如下圖所示，來自維基百科)，這就是直方圖均衡化所做的(簡單來說)。這通常會提高圖像的對比度。
這里使用OpenCV來演示。
# 直方圖均衡化
equa_img = np.zeros_like(img)
for i in range(3):
equa_img[:, :, i] = cv.equalizeHist(img[:, :, i])
對比度自適應直方圖均衡化(CLAHE)
這是一種自適應直方圖均衡化方法
OpenCV提供了該方法。
# 對比度自適應直方圖均衡化
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])
處理結果展示
使用Matplotlib顯示上述幾種方法的結果：
可以看到，前四種方法效果都差不多，都有一個問題亮的地方過于亮，這是因為他們考慮的是全局對比度，而且因為我們使用的彩色圖像原因，使用log變換的結果圖中有部分區(qū)域色彩失真。最后一種CLAHE方法考慮的是局部對比度，所以效果會好一點。
因為圖像是彩色的，這里我只繪制了R通道的直方圖（紅色線）及其累積分布函數(shù)（黑色線）
可以看到均衡后的圖像具有大致線性的累積分布函數(shù)。
總之，經(jīng)過以上的探索，我最終決定使用CLAHE均衡后的結果
感覺是比之前的好了點
附源碼
opencv版本
import cv2.cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
def 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) # 這里范圍為0~255 如果使用img_as_float，則這里為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_cdf
def plot_all(images, titles, cols):
"""
輸入titles、images、以及每一行多少列，自動計算行數(shù)、并繪制圖像和其直方圖
:param images:
:param titles:
:param cols: 每一行多少列
:return:
"""
fig = plt.figure(figsize=(12, 8))
img_num = len(images) # 圖片的個數(shù)
rows = int(np.ceil(img_num / cols) * 2) # 上圖下直方圖 所以一共顯示img_num*2個子圖
axes = np.zeros((rows, cols), dtype=object)
axes = axes.ravel()
axes[0] = fig.add_subplot(rows, cols, 1) # 先定義第一個img 單獨拿出來定義它是為了下面的sharex
# 開始創(chuàng)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): # 這里從1開始，因為第一個在上面已經(jīng)繪制過了
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)
# 對比度拉伸
p1, p2 = np.percentile(img, (0, 70)) # numpy計算多維數(shù)組的任意百分比分位數(shù)
rescale_img = np.uint8((np.clip(img, p1, p2) - p1) / (p2 - p1) * 255)
# 對數(shù)變換
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變換
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
# 彩色圖直方圖均衡化
# 直方圖均衡化
equa_img = np.zeros_like(img)
for i in range(3):
equa_img[:, :, i] = cv.equalizeHist(img[:, :, i])
# 對比度自適應直方圖均衡化
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, morphology
import matplotlib.pyplot as plt
import numpy as np
def 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_cdf
def plot_all(images, titles, cols):
"""
輸入titles、images、以及每一行多少列，自動計算行數(shù)、并繪制圖像和其直方圖
:param images:
:param titles:
:param cols: 每一行多少列
:return:
"""
fig = plt.figure(figsize=(12, 8))
img_num = len(images) # 圖片的個數(shù)
rows = int(np.ceil(img_num / cols) * 2) # 上圖下直方圖 所以一共顯示img_num*2個子圖
axes = np.zeros((rows, cols), dtype=object)
axes = axes.ravel()
axes[0] = fig.add_subplot(rows, cols, 1) # 先定義第一個img 單獨拿出來定義它是為了下面的sharex
# 開始創(chuàng)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): # 這里從1開始，因為第一個在上面已經(jīng)繪制過了
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)
# 對比度拉伸
p1, p2 = np.percentile(img, (0, 70)) # numpy計算多維數(shù)組的任意百分比分位數(shù)
rescale_img = exposure.rescale_intensity(img, in_range=(p1, p2))
# 對數(shù)變換
# 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變換
gamma_img = np.zeros_like(img)
for i in range(3):
gamma_img[:, :, i] = exposure.adjust_gamma(img[:, :, i], 0.7, 2)
# 彩色圖直方圖均衡化
equa_img = np.zeros_like(img, dtype=np.float64) # 注意直方圖均衡化輸出值為float類型的
for i in range(3):
equa_img[:, :, i] = exposure.equalize_hist(img[:, :, i])
# 對比度自適應直方圖均衡化
clahe_img = np.zeros_like(img, dtype=np.float64)
for i in range(3):
clahe_img[:, :, i] = exposure.equalize_adapthist(img[:, :, i])
# 局部直方圖均衡化 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)
以上就是Python+OpenCV解決彩色圖亮度不均衡問題的詳細內(nèi)容，更多關于Python OpenCV彩色圖亮度不均衡的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要介紹了Python3實現(xiàn)的字典遍歷操作,結合實例形式分析了Python3針對字典鍵、鍵值及鍵值對遍歷的相關操作技巧,需要的朋友可以參考下2018-04-04
這篇文章主要為大家詳細介紹了python實現(xiàn)Flappy Bird源碼，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-12-12
在本篇文章中小編給大家整理了關于Python用Try語句如何捕獲異常的相關知識點內(nèi)容，需要的朋友們參考下。2019-06-06
python 實現(xiàn)將小圖片放到另一個較大的白色或黑色背景圖片中
今天小編就為大家分享一篇python 實現(xiàn)將小圖片放到另一個較大的白色或黑色背景圖片中，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
這篇文章主要介紹了python類名和類方法cls修改類變量的值，通過類對象是無法修改類變量的值的，本質其實是給類對象新添加?name?和?age?變量，下文更多的相關介紹需要的小伙伴可任意參考一下2022-04-04
Beautiful Soup 簡稱 BS4（其中 4 表示版本號）是一個 Python 中常用的頁面解析庫，它可以從 HTML 或 XML 文檔中快速地提取指定的數(shù)據(jù)，這篇文章主要介紹了Python Beautiful Soup模塊的使用2023-02-02
數(shù)據(jù)清洗是指發(fā)現(xiàn)并糾正數(shù)據(jù)文件中可識別的錯誤的最后一道程序，包括檢查數(shù)據(jù)一致性，處理無效值和缺失值等。本文為大家介紹了Python進行數(shù)據(jù)清洗的操作詳解，需要的可以參考一下2022-03-03
今天小編就為大家分享一篇Python實現(xiàn)圖像的垂直投影示例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
在開發(fā)Python項目時，有時會在一臺電腦上，同時存在多個python項目，而且每個項目的python版本和依賴可能都不一樣，此時需要使用python項目管理工具來進行管理，rye是一個python項目管理工具，本文簡單介紹rye的工作原理2023-07-07
這篇文章介紹了Python處理文件的方法，文中通過示例代碼介紹的非常詳細。對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-05-05