我们已经练习了很多图像处理——操作图像（精确地说是图像矩阵）。为此，我们探索了图像的均衡方法，以便在一定程度上增强对比度，以使被处理的图像看起来比原始图像更好，这种技术称为直方图均衡化。
通常，发生的情况是在捕获图像时，它与自然视图并不相同。为了满足自然视图的水平，应进行后处理。因此，直方图均衡化（归一化）是通过调整图像的像素值来增强对比度的技术之一。
可以在下面看到一个示例：原始图像和均等图像。
如果我们要绘制图像直方图，它将看起来像下面的样子：
直方图均衡化的重要性
- 该方法对于亮和暗图像都效果更好，特别是在医学领域中，分析X射线图像的重要性更高。
- 在查看科学图像（例如热图像和卫星图像）时也非常有用
执行步骤
在本文中，我们将通过使用openCV库以及使用justNumPy和从头开始实现此方法Matplotlib。尽管我们想不使用来做NumPy，但要花很多时间才能计算出来。
添加依赖库
代码语言：javascript复制import numpy as npimport cv2import jsonfrom matplotlib import pyplot as plt读取图像
代码语言：javascript复制def read_this(image_file, gray_scale=False):
image_src = cv2.imread(image_file)
if gray_scale:
image_src = cv2.cvtColor(image_src, cv2.COLOR_BGR2GRAY)
else:
image_src = cv2.cvtColor(image_src, cv2.COLOR_BGR2RGB)
return image_src上面的函数读取gray_scale或中的图像，RGB然后返回图像矩阵。
用库实现代码
为了均衡，我们可以简单地使用equalizeHist()库中可用的方法cv2。
1.读入图像时RGB。
- 根据颜色组合分离像素。我们可以使用split()库中可用的方法cv2。
- 对每个矩阵应用均衡方法。
- 将均衡的图像矩阵与merge()库中可用的方法合并在一起cv2。
2.读入图像时gray_scale。
3.绘制原始图像和均衡图像。
代码语言：javascript复制def equalize_this(image_file, with_plot=False, gray_scale=False):image_src = read_this(image_file=image_file, gray_scale=gray_scale)if not gray_scale:r_image, g_image, b_image = cv2.split(image_src)r_image_eq = cv2.equalizeHist(r_image)g_image_eq = cv2.equalizeHist(g_image)b_image_eq = cv2.equalizeHist(b_image)image_eq = cv2.merge((r_image_eq, g_image_eq, b_image_eq))cmap_val = Noneelse:image_eq = cv2.equalizeHist(image_src)cmap_val = 'gray'if with_plot:fig = plt.figure(figsize=(10, 20))ax1 = fig.add_subplot(2, 2, 1)ax1.axis("off")ax1.title.set_text('Original')ax2 = fig.add_subplot(2, 2, 2)ax2.axis("off")ax2.title.set_text("Equalized")ax1.imshow(image_src, cmap=cmap_val)ax2.imshow(image_eq, cmap=cmap_val)return Truereturn image_eq代码测试
代码语言：javascript复制equalize_this(image_file='lena_original.png', with_plot=True)
equalize_this（image_file = 'lena_original.png'，with_plot = True，gray_scale = True）
实现代码
为此，我们正在使用NumPy所有矩阵运算。同样，我们可以使用for循环来执行此操作，但是它将花费更多的时间进行计算。即使在这里，我们也有两个方面：
1.读入图像时RGB。
- 根据颜色组合分离像素。我们可以使用NumPy操作将其切细。
- 对每个矩阵应用均衡方法。
- 将均衡的图像矩阵与dstack(tup=())库中可用的方法合并在一起NumPy。
2.读入图像时gray_scale。
3.绘制原始图像和均衡图像。
让我们编写我们自己的函数来计算图像均衡，图像像素值通常在0到255之间。因此，总共有256个像素。
代码语言：javascript复制def enhance_contrast(image_matrix, bins=256):
image_flattened = image_matrix.flatten()
image_hist = np.zeros(bins)
# frequency count of each pixel
for pix in image_matrix:
image_hist[pix] = 1
# cummulative sum
cum_sum = np.cumsum(image_hist)
norm = (cum_sum - cum_sum.min()) * 255
# normalization of the pixel values
n_ = cum_sum.max() - cum_sum.min()
uniform_norm = norm / n_
uniform_norm = uniform_norm.astype('int')
# flat histogram
image_eq = uniform_norm[image_flattened]
# reshaping the flattened matrix to its original shape
image_eq = np.reshape(a=image_eq, newshape=image_matrix.shape)
return image_eq当将原始图像矩阵作为参数传递时，上述函数将返回一个均衡的图像矩阵。
让我们编写另一个函数，该函数为RGB图像和gray_scale使用上述功能的图像计算均衡。
代码语言：javascript复制def equalize_this(image_file, with_plot=False, gray_scale=False, bins=256):
image_src = read_this(image_file=image_file, gray_scale=gray_scale)
if not gray_scale:
r_image = image_src[:, :, 0]
g_image = image_src[:, :, 1]
b_image = image_src[:, :, 2]
r_image_eq = enhance_contrast(image_matrix=r_image)
g_image_eq = enhance_contrast(image_matrix=g_image)
b_image_eq = enhance_contrast(image_matrix=b_image)
image_eq = np.dstack(tup=(r_image_eq, g_image_eq, b_image_eq))
cmap_val = None
else:
image_eq = enhance_contrast(image_matrix=image_src)
cmap_val = 'gray'
if with_plot:
fig = plt.figure(figsize=(10, 20))
ax1 = fig.add_subplot(2, 2, 1)
ax1.axis("off")
ax1.title.set_text('Original')
ax2 = fig.add_subplot(2, 2, 2)
ax2.axis("off")
ax2.title.set_text("Equalized")
ax1.imshow(image_src, cmap=cmap_val)
ax2.imshow(image_eq, cmap=cmap_val)
return True
return image_eq代码测试
代码语言：javascript复制equalize_this(image_file='lena_original.png', with_plot=True)
equalize_this(image_file='lena_original.png', with_plot=True, gray_scale=True)
总结
- 我们探索和实施不同的方法来增加图像强度，从而学到了很多东西。特别是，尝试通过引用和学习从头实现代码。
- 使用库方法始终是一件好事，因为它们更加优化并且可以100％工作。
- 图像处理是一门非常重要的学科，确实值得尝试，要有很多好奇心和自己的探索。
