灰度直方图均衡化----python实现

直方图均衡化是使用图像直方图进行对比度调整的图像处理的方法。

该方法一般会增长许多图像的总体对比度，尤为是当图像的可用数据由接近的对比度值表示时。 经过这种调整，强度能够更好地分布在直方图上。 这容许局部对比度较低的区域得到较高的对比度。 直方图均衡化经过有效地分散最频繁的强度值来实现这一点。

实现原理参考自直方图均衡（维基百科）

第一种是本身写的，消耗时间长。第二种参考自opencv-python的直方图均衡

import cv2 import numpy as np def equalizationByLoop(img): a, b = img.shape flatten = np.reshape(img, [-1, ]) img_list = flatten.tolist() # 获取出现的灰度值
    img_set = np.unique(img) img_set = np.sort(img_set) # 获取灰度值出现次数
    cdf = [] for i in img_set: cdf.append(img_list.count(i)) cdf = np.array(cdf) # 累积分布函数和计算均衡化
    cdf = np.cumsum(cdf) cdf_min = np.min(cdf) cdf = (cdf-cdf_min)/(len(img_list)-cdf_min)*255
    
    # 获取新图像 
    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是亮度值出现次数的统计
    cdf = hist.cumsum() # cdf是出现次数的累积分布函数
    # 若是高灰度值没有次数，但累计分布函数会把它加入。但最后在索引生成新图像时舍去

    # 均衡化处理
    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') # 生成新图像
    img2 = cdf[img] return img2 def main(): img = cv2.imread('leno.jpg', cv2.IMREAD_GRAYSCALE) new_img = np.copy(img) # 处理时间长
    # 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()