提高图片对比度 python opencv 提升图像对比度

文章目录

• 对比度增强
• 一、对比度增强的方法？
• 二、各方法的原理

• 1.线性变换
• 2.直方图正规化
• 3.伽马变换
• 4.全局直方图均衡化
• 5.限制对比度的自适应直方图均衡化

• 总结

---

对比度增强

在图像处理中，由于获取的图像质量不好，需要通过对比度增强来提升图片质量，主要解决的是由于图像灰度级范围较小造成的对比度较低的问题，作用是使图像的灰度级范围放大，从而让图像更加清晰。

本文所总结的内容出自张平的《opencv算法精讲》

一、对比度增强的方法？

对比度提升的几种常用方法：

线性变换、直方图正规化、伽马变换、全局直方图均衡化、限制对比度的自适应直方图均衡化等。

二、各方法的原理

1.线性变换

我们知道简单的线性方程公式是 y = a*x+b，对于图像亮度提升来说，此时的x，y都是二维矩阵，通过系数a来调整原始图像中的图像灰度级的范围（指的是图像转换为灰度图后的范围 [最小灰度值，最大灰度值] ）

当0<a<1时，图像灰度级方位缩小，当a>0时，图像灰度级范围扩大。
当b>0时，亮度增加，当b<0时，亮度减小。

代码如下：

/*
线性变换
变换后的矩阵B = a*原矩阵A+b
image:原图像
rtype:输出矩阵的数据类型，CV_8U等
a:上述公式中的a
b:上述公式中的b
*/
Mat LinearTransform(const Mat& image, int rtype, double a, double b) {
	Mat Out;
	image.convertTo(Out, rtype, a, b);
	return Out;
}

2.直方图正规化

直方图正规化其实是一种自动选取a和b的线性变换的方法。
假设输入矩阵 I，高为H、宽为W，I(r,c)代表第r行第c列的灰度值，将 I 中的最小灰度值记为 I min，最大值记为 I max，即 I(r,c)∈[ I min, I max]，为使输出矩阵 ***O***的灰度级范围为[ O min, O max]，则 I(r,c)和 O(r,c)的映射关系如下：
$O(r,c) = \frac{O_{max}-O_{min}}{I_{max}-I_{min}}(I{(r,c)}-I_{min})+O_{min}$
其中$0\le r <H$，$0\le c <W$，$O(r,c)$代表第r行第c列的灰度值。这个过程就是直方图正规化。因为$0 \le \frac{I_{(r,c)}-I_{min}}{I_{max}-I_{min}} \le 1$，所以$O{(r,c)} \in [O_{min},O_{max}]$，一般令$O_{min}=0$,$O_{max}=255$。我们将上面的公式展开后花间，可达到线性变换的a和b，
$a= \frac{O_{max}-O_{min}}{I_{max}-I_{min}},b=O_{min}-\frac{O_{max}-O_{min}}{I_{max}-I_{min}} * I_{min}$

代码如下：

Mat HistgramNormalization(Mat gray_image)
{	
	//获取输入矩阵的最大值和最小值
	double Imax, Imin;
	minMaxLoc(gray_image, &Imin, &Imax, NULL, NULL);

	// 定义输出矩阵的最大值和最小值
	double Omin = 0, Omax = 255;
	// 确定映射关系函数中的系数，其实就是确定线性变换中的系数a和b
	double a = (Omax - Omin) / (Imax - Imin);
	double b = Omin - a * Imin;
	Mat Out;//输出矩阵
	convertScaleAbs(gray_image, Out, a, b);//进行线性变换
	return Out;
}

3.伽马变换

伽马变换的第一步是将灰度值归一化带$[0,1]$的范围。归一化后的图像矩阵记为$I$,高为H，宽为W，第r行第c列的值记为$I{(r,c)}$，输出矩阵击为$O$，伽马变换就是：

$O_{(r,c)} = I{(r,c)}^\gamma，0\le r<H,0\le c<W$

当$\gamma = 1$时，图像不变，当$0<\gamma<1$时，可以增加对比度，当 $\gamma>1$ 时，可以降低对比度，接下来我们在看一下Gamma变换的的图示，这样理解起来容易点。下图中从左上角到右下角的曲线为$y=x^a$,a∈[0.125,0.25,0.5,1,2,4,8],其实就是高中的幂函数，只是定义域在[0,1]之间，

代码如下：

Mat GammaTransform(Mat gray_image, double gamma)
{
	//1.归一化
	Mat fI;
	gray_image.convertTo(fI, CV_64F, 1 / 255, 0);
	//2.伽马变换，其实就是幂运算，gamma的区间为（0，1）
	Mat Out;
	pow(fI, gamma, Out);
	//3.再次进行线性变换，转换为0，255之间的像素值
	Out.convertTo(Out, CV_8U, 255, 0);
	return Out;
}

4.全局直方图均衡化

假设输入的图像为 $I$，高为$H$,宽为$W$，$hits_I$代表$I$的灰度直方图，$hist_I(k)$代表灰度值等于k的像素点的个数，其中$k\in[0,255]$。全局直方图均衡化的操作就是对图像$I$进行改变，使得输出图像$O$的灰度直方图$hist_O$是‘平的’，即每一个像素值的个数是‘相等’的。这里的相等不是严格意义上的相等，而是‘约等于’，即$hist_O(k)\approx\frac{H*W}{256},k\in[0,255]$，那么对于任意灰度级p，$0\le p \le 255$，总能找到q，$0\le q \le 255$，使得
$\sum_{k=0}^phist_I(k)=\sum_{k=0}^qhist_O(k)$
其中 $\sum_{k=0}^{p}hist_I(k)$和$\sum_{k=0}^{q}hist_I(k)$称为$I$和$O$的累加直方图，又因为$hist_O(k)\approx\frac{H*W}{256}$，所以
$\sum_{k=0}^phist_I(k)\approx(q+1)\frac{H*W}{256}$
化简上式得
$q\approx\frac{\sum_{k=0}^{p}hist_I(k)}{H*W}*256-1$
上式给出了一个从亮度级为p的输入像素到亮度级为q的输出像素的映射关系，p代表的是I(r,c),是原矩阵第r行第c列的像素值，此时令p=I(r,c)；q代表的是O(r,c),是输出矩阵的第r行第c列的像素值，将两个进行替换得到最终的映射关系
$O(r,c)\approx\frac{\sum_{k=0}^{I(r,c)}hist_I(k)}{H*W}*256-1$
代码如下：

Mat equalHist(Mat image)
{
	//检查图像数据类型是否符合要求，如不符合，则抛出异常
	// CV_Assert的官方简要说明如下
	// Checks a condition at runtime and throws exception if it fails
	CV_Assert(image.type() == CV_8UC1);
	// 灰度图像的宽和高
	int rows = image.rows;
	int cols = image.cols;
	//第一步：计算图像的灰度直方图
	Mat gray_hist = CalcGrayHist(image);
	//第二步：计算累加灰度直方图
	Mat zero_comu_moment = Mat::zeros(Size(256, 1), CV_32SC1); //生成一行256列的零矩阵

	for (int p = 0; p < 256; p++)
	{
		if (p==0)
		{
			zero_comu_moment.at<int>(0, p) = gray_hist.at<int>(0, 0);
		}
		else
		{
			zero_comu_moment.at<int>(0, p) = zero_comu_moment.at<int>(0, p - 1) + gray_hist.at<int>(0, p);
		}
	}

	//第三步：根据累加直方图得到输入灰度级和输出灰度级直方图的映射关系
	Mat output_q = Mat::zeros(Size(256, 1), CV_8UC1);

	float cofficient = 256.0 / (rows * cols);

	for (int p = 0; p < 256; p++)
	{
		float q = cofficient * zero_comu_moment.at<int>(0, p) - 1;
		if (q>=0)
		{
			output_q.at<uchar>(0, p) = uchar(floor(q));
		}
		else
		{
			output_q.at<uchar>(0, p) = 0;
		}
	}
	//第四步：得到直方图均衡化后的图像
	Mat equal_hist_image = Mat::zeros(image.size(), CV_8UC1);

	for (int r = 0; r < rows; r++)
	{
		for (int c = 0; c < cols; c++)
		{
			int	p = image.at<uchar>(r, c);
			//根据原像素值p获得新的像素值q重新赋值给对应位置
			equal_hist_image.at<uchar>(r, c) = output_q.at<uchar>(0, p);
		}
	}
	return equal_hist_image;
}

5.限制对比度的自适应直方图均衡化

自适应直方图均衡化首先将图像划分为不重叠的区域块，然后对每一个快进行直方图均衡化，同时为了避免噪声被放大，提出了“限制对比度”，即如果某个像素点的统计数据超过某个界限，便将多余的数量平均分配到每一个像素点上。

由此我们可以大致总结其流程：
1.将图像分割成不重叠的区域块；
2.对每个区域块进行直方图均衡化；
3.为避免噪声的出现，设置一个像素点出现的最高数量，如果超过这个数量，将多出来的平均分配到每个像素点上。
代码如下：

Mat AdaptEqualHist(Mat gray_image)
{
	//构建CLAHE对象，其默认设置“限制对比度”为40，块的大小为8*8
	Ptr<CLAHE> clahe = createCLAHE(2.0, Size(8, 8));
	Mat dst;
	//限制对比度的自适应直方图均衡化
	clahe->apply(gray_image, dst);
	return dst;

}

---

总结

以上为亮度提升的一些基础算法，个人认为亮度提升的关键是要提升图像像素级的范围和亮度值，最基础的就是一个的线性变换。