详解详解python OpenCV学习笔记之直方图均衡化学习笔记之直方图均衡化
本文介绍了python OpenCV学习笔记之直方图均衡化，分享给大家，具体如下：
官方文档 – https://docs.opencv.org/3.4.0/d5/daf/tutorial_py_histogram_equalization.html
考虑一个图像，其像素值仅限制在特定的值范围内。例如，更明亮的图像将使所有像素都限制在高值中。但是一个好的图像会
有来自图像的所有区域的像素。所以你需要把这个直方图拉伸到两端(如下图所给出的)，这就是直方图均衡的作用(用简单的话
说)。这通常会改善图像的对比度。
建议阅读关于直方图均衡的wikipedia页面Histogram Equalization，了解更多有关它的详细信息。它给出了一个很好的解释，
给出了一些例子，这样你就能在读完之后理解所有的东西。同样，我们将看到它的Numpy实现。之后，我们将看到OpenCV函
数。
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('wiki.jpg', 0)
hist, bins = np.histogram(img.flatten(), 256, [0,256])
cdf = hist.cumsum()
cdf_normalized = cdf*float(hist.max())/cdf.max()
plt.plot(cdf_normalized, color = 'b')
plt.hist(img.flatten(),256,[0,256], color = 'r')
plt.xlim([0,256])
plt.legend(('cdf','histogram'), loc = 'upper left')
plt.show()
你可以看到，直方图位于更亮的区域。我们需要完整的频谱。为此，我们需要一个转换函数，它将更亮区域的输入像素映射到
全区域的输出像素。这就是直方图均衡所做的。
现在我们找到了最小的直方图值(不包括0)，并应用了在wiki页面中给出的直方图均衡等式。但我用在Numpy的遮罩数组的概
念数组上。对于遮罩数组，所有操作都是在非遮罩元素上执行的。
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')
现在我们有了一个查找表，它提供了关于每个输入像素值的输出像素值的信息。所以我们只要应用变换。
img2 = cdf[img]
现在我们计算它的直方图和cdf，就像之前一样，结果如下：
资源评论
