OpenCV||超详细的灰度变换和直方图修正_opencv灰度变换

一、点运算

概念：点运算（也称为像素级运算或单像素操作）是指对图像中每一个像素点进行独立、相同的操作，而这些操作不会考虑像素点之间的空间关系。点处理优势也称对比度拉伸、对比度增强或灰度变换等。

目的：点运算在图像处理中广泛应用于对比度增强、亮度调整、直方图均衡化、图像阈值化等方面。通过点运算，可以改善图像的视觉效果，使其更适合于后续的处理和分析。

分类：点运算可分为灰度变换和直方图修正两大方法，其中直方图修正包括直方图均衡化和直方图规范化。

特点：可逆、无法增强图像细节

应用：光度学标定、对比度增强（对比度扩展）、显示标定、轮廓线（例如用点处理进行图像阈值化处理，根据图像的灰度等级把一幅图像划分成一些不连接的区域，这有助于确定图像中对象的边界或定义蒙版）、裁剪（对于8位的灰度图像，在存储每一像素前输出图像的灰度级一定要被裁剪到0~255的范围内）

二、灰度化

概念：灰度化是图像处理中的一个基本步骤，其目的是将彩色图像转换为灰度图像。灰度图像是一种仅包含亮度信息而不包含颜色信息的图像，其像素值通常用一个字节（即0-255的范围）来表示，这个值代表了该像素的灰度等级，也就是亮度。灰度化是许多图像处理任务的第一步，如边缘检测、图像分割、特征提取等，因为灰度图像相对于彩色图像来说，计算量更小，处理速度更快，同时保留了图像的大部分重要信息。

方法：加权平均值法、取最大值法、平均值法等，加权平均值法最为常用

• D=0.299R+0.587G+0.114B
• D=max(R,G,B)
• D=(R+G+B)/3

示例：

import cv2
import numpy as np
 
 
# 绘图展示
def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
 
 
image = cv2.imread('img\\1.png')
image_cut = image[0:500, 0:500]
cv_show("image_cut", image_cut)
image_cut[:, :, 0] = image_cut[:, :, 0] * 0.114
image_cut[:, :, 1] = image_cut[:, :, 1] * 0.587
image_cut[:, :, 2] = image_cut[:, :, 2] * 0.299
image_cut_gray = np.sum(image_cut, axis=2, dtype=np.uint8)
cv_show('image_copy_cut', image_cut_gray)

结果展示：

优化转化速度：从次到优

Gray=(2989R+5870G+1140B)/10000

Gray=(4898R+9618G+1868B)>>14

Gray=(76R+150G+30B)>>8

三、对比度

概念：画面明亮部分与阴暗部分的灰度比值。对比度越高，图像中物体轮廓越分明可见，越清晰；相反，图像轮廓模糊，图像不太清晰。

四、灰度变换

灰度变换函数：s=T(r)

作用：

• 对比度拉伸：灰度变换可以扩展图像的对比度，使图像在视觉上更加清晰。当图像的灰度值集中在较窄的范围内时，通过灰度变换可以将其扩展到更宽的灰度区间，从而增强图像的细节表现力。
• 细节显示：灰度变换能够突出图像中的细节信息，使原本难以分辨的细节变得清晰可见。这对于医学图像处理、遥感图像处理等领域尤为重要。
• 特征突出：灰度变换可以有选择地突出图像中感兴趣的特征，同时抑制不需要的特征。这对于图像分析、目标检测和识别等任务非常有帮助。
• 直方图均衡化：灰度变换可以有效地改变图像的直方图分布，使像素的分布更为均匀。这有助于改善图像的视觉效果，并提高后续图像处理的效率。

方法：线性灰度变换、分段线性灰度变换、非线性灰度变化（包括对数函数变换和伽马变换）

• 对数变换扩展图像中低灰度区域、压缩图像中高灰度区域，增强图像中暗色区域细节；反对数变换与此相反。同时，还能压缩图像灰度值的动态范围，在傅里叶变换中显示更多变换后的频谱细节。
• 伽马变换用于图像校正，根据参数γ来修正图像中灰度过高（γ＞1）或灰度过低（γ＜1）的内容。

线性灰度变换：

公式：g=kf+b，其中k为斜率，b为为截距（k表示图像对比度变化，b表示图像亮度变化）。

参数：

• 当k＞1，输出图像对比度增大；
• 当k＜1，输出图像对比度减小；
• 当k=1且b≠0，所有图像灰度值上移或下移，整个图像更暗或更亮；
• 当k=1、b=0，图像无变化；
• 当k=-1，b=255，输出图像灰度反转；
• 当k＜0且b＞0，暗区域变亮，亮区域变暗，点运算完成了图像求补运算。

分段线性灰度变换：

将原图像灰度区间划分为多个，对每一个区间使用不同k和b值的线性灰度变换。

对数变换和反对数变换：

公式：s=c*log(1+r)，其中，c为常数，r≥0。

伽马变换：

公式：s=crγ，其中c和γ为正常数。

五、直方图修正

直方图：灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。它是灰度级的函数，表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。如果将图像总像素亮度（灰度级别）看成是一个随机变量，则其分布情况就反映了图像的统计特性，这可用probability density function (PDF)来刻画和描述，表现为灰度直方图。

API：

cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])

• images：源图像，应该放在方括号中，如[img]。
• channels：要计算其直方图的通道索引。对于灰度图像，它总是[0]。
• mask：图像掩模。如果为None，则计算整个图像的直方图。
• histSize：直方图的大小，放在方括号中，如[256]。
• ranges：像素值范围，通常为[0, 256]。

示例：

import cv2
import numpy as np
import matplotlib.pyplot as plt
 
 
# 绘图展示
def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
 
 
image = cv2.imread('img\\1.png', 0)
cv_show("image_cut", image)
hist = cv2.calcHist(image, [0], None, [256], [0, 255])
# 使用matplotlib绘制直方图
plt.figure(figsize=(10, 6))
plt.plot(hist)
plt.title("Grayscale Histogram")
plt.xlabel("Bins")
plt.ylabel("# of Pixels")
plt.grid(True)
plt.show()

直方图均衡化：采用的是累计分布函数，具体不做讲解。

API：

cv2.equalizeHist(src[, dst])

• src：输入图像，必须是8位单通道图像（即灰度图）。
• dst（可选）：输出图像，与输入图像具有相同的尺寸和类型。

示例：

import cv2
import numpy as np
import matplotlib.pyplot as plt
 
 
# 绘图展示
def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
 
 
image = cv2.imread('img\\1.png', 0)
image_cut = image[0:500, 0:500]
cv_show("image_cut", image_cut)
image_eq = cv2.equalizeHist(image_cut)
image_hstack = np.hstack((image_cut, image_eq))
cv_show('img', image_hstack)

结果展示：

局部自适应直方图均衡化（CLAHE）：全局直方图均衡化可能会导致图像的某些区域过亮或过暗，失去细节。为了解决这个问题，可以使用局部自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization, CLAHE）。在OpenCV中，可以通过cv2.createCLAHE()函数创建一个CLAHE对象，然后使用其apply()方法对图像进行均衡化。

API：

cv2.createCLAHE([, clipLimit[, tileGridSize[, clipNoise]]])

• clipLimit（可选）：颜色对比度的阈值，默认为40。用于限制对比度的放大程度，以避免过度放大噪声。
• tileGridSize（可选）：均衡化时使用的网格大小，默认为(8, 8)。较大的网格可以减少噪声的放大，但可能会降低对比度增强的效果。
• clipNoise（可选）：是否裁剪噪声，对于噪声图像很有用。

示例：

import cv2
import numpy as np
import matplotlib.pyplot as plt
 
 
# 绘图展示
def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
 
 
image = cv2.imread('img\\1.png', 0)
image_cut = image[0:500, 0:500]
cv_show("image_cut", image_cut)
"""全局"""
image_eq = cv2.equalizeHist(image_cut)
"""自适应"""
# 创建CLAHE对象
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
# 应用CLAHE
image_clahe = clahe.apply(image_cut)
"""图像合并展示"""
image_hstack = np.hstack((image_cut, image_eq, image_clahe))
cv_show('img', image_hstack)

结果展示：

最右为局部自适应直方图均衡化效果。

实验原图

链接跳转：

章节一、OpenCV||超细节的基本操作

章节二、OpenCV||超简略的Numpy小tip

章节三、OpenCV||超详细的图像处理模块

章节五、OpenCV||超详细的图像平滑

章节六、OpenCV||超详细的几何变换