灰度直方圖均衡化----python實現

直方圖均衡化是使用圖像直方圖進行對比度調整的圖像處理的方法。

該方法一般會增長許多圖像的總體對比度，尤爲是當圖像的可用數據由接近的對比度值表示時。 經過這種調整，強度能夠更好地分佈在直方圖上。 這容許局部對比度較低的區域得到較高的對比度。 直方圖均衡化經過有效地分散最頻繁的強度值來實現這一點。

實現原理參考自直方圖均衡（維基百科）

第一種是本身寫的，消耗時間長。第二種參考自opencv-python的直方圖均衡

import cv2 import numpy as np def equalizationByLoop(img): a, b = img.shape flatten = np.reshape(img, [-1, ]) img_list = flatten.tolist() # 獲取出現的灰度值
    img_set = np.unique(img) img_set = np.sort(img_set) # 獲取灰度值出現次數
    cdf = [] for i in img_set: cdf.append(img_list.count(i)) cdf = np.array(cdf) # 累積分佈函數和計算均衡化
    cdf = np.cumsum(cdf) cdf_min = np.min(cdf) cdf = (cdf-cdf_min)/(len(img_list)-cdf_min)*255
    
    # 獲取新圖像 
    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是亮度值出現次數的統計
    cdf = hist.cumsum() # cdf是出現次數的累積分佈函數
    # 若是高灰度值沒有次數，但累計分佈函數會把它加入。但最後在索引生成新圖像時捨去

    # 均衡化處理
    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') # 生成新圖像
    img2 = cdf[img] return img2 def main(): img = cv2.imread('leno.jpg', cv2.IMREAD_GRAYSCALE) new_img = np.copy(img) # 處理時間長
    # 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()