当前位置:网站首页>做人,均衡点更好~

做人,均衡点更好~

2021-05-28 15:59:04 灿视学长

各位大家好,我是灿视,今天是一篇传统图像处理,直方图均衡

做人,有时候像图像一样,只有均衡了,才能更好发展!

看文章之前,别忘了关注我们,在我们这里,有你所需要的干货哦!

百面计算机视觉汇总链接

《百面计算机视觉汇总,看过来!》

直方图均衡化,可以对在不同的光线条件下拍摄不同的图片进行均衡化处理,使得这些图片具有大致相同的光照条件。因此,我们可以用在训练模型之前,对图像进行对预处理。

直方图均衡

1. 直方图与对比度

首先,我们看下面的图像:

左列为原图,我们在观看的时候,感受很差。为什么很差呢?因为前景(关键区域)与背景太相似,无法很好的得到前景的信息。这就是表明,这些图像的对比度小,视觉体验很差

其中,对比度是由两个相邻区域的亮度差异产生的

对比度是使一个物体与其他物体区别开来的视觉特性上的差异。在视觉感知中,对比度是由物体与其他物体的颜色和亮度差异决定的,而我们的视觉系统对对比度比对绝对亮度更敏感。那么,如何量化一个图像中的对比度呢?我们先了解下直方图, 如右图。

通过直方图我们可以看到各个灰度级的像素个数,即像素的分布情况。如果图像的大部分的像素都集中在直方图的某个范围,就表示图像中的大部分像素的灰度值差别很小,无法很好地进行分辨图像中的物体。

如原图像的像素值介于

5

~

10

之间(对比度是

10/5=2

)现将其映射到整个区域的输出图像到

0

~

255

(对比度是

255/1=255

),由此可见,对比度得到了很大的提升。

2. 直方图的定义

图像的直方图:反应图像强度分布的总体概念。宽泛的来说直方图给出了图像对比度亮度强度分布信息。其中,强度就是一幅图像的像素取值,如

[0, 255]

其中,公式表示如下:

h\left(r_{k}\right)=n_{k}

其中,

n_{k}

是图像中灰度级为

r_{k}

的像素个数。

r_{k}

是第

k

个灰度级,

k=0,1,2…L-1

。由于

r_{k}

的增量是

1

,直方图可以表示为

p(k)=n_{k}

。即,图像中不同灰度级像素出现的次数。

概括来说,直方图就是横坐标表示成像素值,纵坐标表示各个像素值的个数的图。

直方图举例

3.直方图均衡化的引入

若一幅图像的像素倾向于占据整个可能的灰度级并且分布均匀,则该图像有较高的对比度并且图像展示效果会相对好,于是便引出图像直方图均衡化,对图像会有很强的增强效果。

3.1 直方图归一化

先了解直方图归一化的概念,公式为:

p(r_{k})=n_{k}/n
n

是图像的像素总数(如一幅

32*32

的图像,像素总数就是

1024

)。

n_{k}

是图像中灰度级为

r_{k}

的像素个数

r_{k}

是第

k

个灰度级,

k = 0,1,2,…,L-1

因此,该函数主要有以下几个特性:

  1. 使函数值压缩到[0,1]区间。
  2. 给出灰度级
r_{k}

在图像中出现的概率密度统计。

3.2 直方图均衡化

直方图均衡化是建立在直方图归一化的基础之上。直方图均衡化的公式如下所示:

s_{k}=\sum_{j=0}^{k}\frac{n_{j}}{n}, k=0, 1, 2,,,L-1

注:

n

是图像中像素的总和

n_{j}

是当前灰度级的像素个数

L

是图像中可能的灰度级总数

其中,直方图均衡化是采用的灰度级变换:

s = T(r)

,目的是欲将原始图的直方图变换为均匀分布的形式,这样就增加了像素灰度值的动态范围,从而达到增强图像整体对比度的效果

代码如下:

import cv2
import numpy as np
import matplotlib.pyplot as plt

if __name__ == "__main__":
    # 读取图像并转换为灰度图
    img = cv2.imread(r'./imgs/boy.png')
    # 图像的灰度级范围是0~255
    # grayHist = cv2.calcHist([img], [0], None, [256], [0, 256])
    (b, g, r) = cv2.split(img)
    bH = cv2.equalizeHist(b)
    gH = cv2.equalizeHist(g)
    rH = cv2.equalizeHist(r)
    # 合并每一个通道
    result = cv2.merge((bH, gH, rH))
    res = np.hstack((img, result))
    cv2.imshow("dst", res)
    cv2.waitKey(0)
    

直方图均衡化举例

其中关于像素的统计量如下:

直方图统计对比

4. 小结

目前,基本的图像直方图均衡已经说完了,但是如果我们仔细看上图,会发现均衡化处理后对比度大大增强了,但是这个boy好像有点太亮了,这是因为这个直方图均衡化操作是对全局进行均衡化,直方图覆盖的范围太大,反而会丢失boy的一些信息。

因此,明天我们会继续沿着直方图均衡引入自适应直方图均衡化(AHE) 以及 限制对比度自适应直方图均衡化(CLAHE) 等直方图均衡化算法。

5. 参考

  1. https://blog.csdn.net/IT_charge/article/details/105560087
  2. https://zhuanlan.zhihu.com/p/98541241
  3. https://blog.csdn.net/rocling/article/details/104559472

其它干货

- END -

大家好,我是灿视。目前是位算法工程师 + 创业者 + 奶爸的时间管理者!

我曾在19,20年联合了各大厂面试官,连续推出两版《百面计算机视觉》,受到了广泛好评,帮助了数百位同学们斩获了BAT等大小厂算法Offer。现在,我们继续出发,持续更新最强算法面经。

我曾经花了4个月,跨专业从双非上岸华五软工硕士,也从不会编程到进入到百度与腾讯实习。

本文分享自微信公众号 - 灿视学长(baimianAI) ,作者:灿视

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间: 2021-05-18

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

版权声明
本文为[灿视学长]所创,转载请带上原文链接,感谢
https://cloud.tencent.com/developer/article/1829664