引言
在数字图像处理中，直方图均衡化是一种常用的图像增强技术，它能够改善图像的对比度，使图像细节更加清晰。本文将带你深入了解全局直方图均衡化和自适应直方图均衡化(CLAHE)的原理与实现。
1. 准备工作
首先导入必要的库：
import cv2
import numpy as np
from matplotlib import pyplot as plt
2. 加载图像并分析原始直方图
我们首先加载一张名为"women.png"的灰度图像，并分析其原始像素分布：
women = cv2.imread('women.png', cv2.IMREAD_GRAYSCALE)
plt.hist(women.ravel(), bins=256)
plt.show()
ravel()函数将多维数组展平为一维数组，便于直方图统计。这段代码会显示原始图像的像素值分布直方图，通常能反映出图像对比度的基本情况。
- 原始图像像素分布图如下：
3. 全局直方图均衡化
接下来，我们对图像进行全局直方图均衡化处理：
phone_equalize = cv2.equalizeHist(women)
plt.hist(phone_equalize.ravel(), bins=256)
plt.show()
res = np.hstack((women, phone_equalize))
cv2.imshow('phone_equalize', res)
cv2.waitKey(0)
cv2.equalizeHist()函数实现了全局直方图均衡化：
- 它会重新分布图像像素的强度值，使其均匀分布在所有范围内
- 处理后图像的直方图会变得更加平坦
- 通过
np.hstack()我们可以将原始图像和处理后图像并排显示，便于比较
全局直方图均衡化适用于整体对比度较低的图像，但它有一个明显的缺点：会同时增强图像中的噪声。
- 全局直方图均衡化的像素分布如下：
- 处理后显示的图片：
4. 自适应直方图均衡化(CLAHE)
为了解决全局均衡化的问题，我们引入自适应直方图均衡化(CLAHE)：
clahe = cv2.createCLAHE(clipLimit=1, tileGridSize=(16,16))
phone_clahe = clahe.apply(women)
res = np.hstack((women, phone_equalize, phone_clahe))
cv2.imshow('phone_equalize', res)
cv2.waitKey(0)
CLAHE的工作原理：
- 将图像分成若干个小块(称为tiles)
- 对每个小块单独进行直方图均衡化
- 使用
clipLimit参数限制对比度增强的幅度，防止噪声被过度放大
参数说明：
clipLimit: 对比度限制阈值(默认8)tileGridSize: 局部均衡化的邻域大小(默认8×8)- 将三种效果下的图片进行对比如下所示：
5. 三种效果对比
通过np.hstack()我们将三种图像并排显示：
- 原始图像
- 全局直方图均衡化结果
- 自适应直方图均衡化结果
这种对比可以清晰地展示：
- 全局均衡化虽然提高了整体对比度，但可能丢失细节或增强噪声
- CLAHE在增强对比度的同时，更好地保留了图像细节
- 不同参数设置对结果的影响
6. 参数调优建议
- clipLimit：通常设置在1-3之间，值越大对比度增强越明显，但也可能放大噪声
- tileGridSize：根据图像大小调整，较大的图像可以使用更大的网格(如32×32)
- 可以尝试不同的参数组合，找到最适合特定图像的处理方案
7. 总结
直方图均衡化是图像增强的基础技术，而CLAHE则是其改进版本，更适合处理局部对比度变化大的图像。通过本文的代码示例，你可以：
- 快速实现图像直方图分析
- 应用全局直方图均衡化
- 使用CLAHE进行局部自适应增强
- 直观比较不同处理方法的差异
掌握这些技术将为你的图像处理工作提供强大工具。在实际应用中，建议根据具体需求选择合适的算法和参数。