前言

CSDN部落格好久沒有換過頭像了，想換個新頭像，在相簿裡面翻來翻去，然後就找到以前養的小寵物的一些照片，有一張特別有意思

驚恐到站起來的金絲熊：這傢伙不會要吃我吧

沒見過倉鼠的小貓：這啥玩意兒？

好，就決定把這張圖當自己的頭像了

一頓操作之後，把頭像換成了這張照片

此時我：啥玩意兒？

。。。。感覺黑乎乎的，啥也看不清
這時候我想起來我學過影象處理，這用亮度變換搞一下不就可以了嗎，搞起來！

注意：一般對灰度圖進行亮度變換的多一點，但是我這張圖是RGB圖（準確來說是RGBA，但我們只取前三個通道），對於RGB圖，我這裡對其每個通道分別進行處理然後拼接處理

處理

對比度拉伸

也就是把影象重新縮放到指定的範圍內

# 對比度拉伸
p1, p2 = np.percentile(img, (0, 70))  # numpy計算多維陣列的任意百分比分位數
rescale_img = np.uint8((np.clip(img, p1, p2) - p1) / (p2 - p1) * 255)

其中，numpy的percentile函數可以計算多維陣列的任意百分比分位數，因為我的圖片中整體偏暗，我就把原圖灰度值的0% ~ 70%縮放到0 ~255

log變換

使用以下公式進行對映：
$$O=gain\ast log(1+I)$$

# 對數變換
log_img = np.zeros_like(img)
scale, gain = 255, 1.5
for i in range(3):
    log_img[:, :, i] = np.log(img[:, :, i] / scale + 1) * scale * gain

Gamma校正

使用以下公式進行對映：

$$O=I^{\gamma }\ast gain$$

# gamma變換
gamma, gain, scale = 0.7, 1, 255
gamma_img = np.zeros_like(img)
for i in range(3):
    gamma_img[:, :, i] = ((img[:, :, i] / scale) ** gamma) * scale * gain

直方圖均衡化

使用直方圖均衡後的影象具有大致線性的累積分佈函數，其優點是不需要引數。
其原理為，考慮這樣一個影象，它的畫素值被限制在某個特定的值範圍內，即灰度範圍不均勻。所以我們需要將其直方圖縮放遍佈整個灰度範圍(如下圖所示，來自維基百科)，這就是直方圖均衡化所做的(簡單來說)。這通常會提高影象的對比度。

這裡使用OpenCV來演示。

# 直方圖均衡化
equa_img = np.zeros_like(img)
for i in range(3):
    equa_img[:, :, i] = cv.equalizeHist(img[:, :, i])

對比度自適應直方圖均衡化(CLAHE)

這是一種自適應直方圖均衡化方法
OpenCV提供了該方法。

# 對比度自適應直方圖均衡化
clahe_img = np.zeros_like(img)
clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
for i in range(3):
    clahe_img[:, :, i] = clahe.apply(img[:, :, i])

處理結果展示

使用Matplotlib顯示上述幾種方法的結果：

可以看到，前四種方法效果都差不多，都有一個問題亮的地方過於亮，這是因為他們考慮的是全域性對比度，而且因為我們使用的彩色影象原因，使用log變換的結果圖中有部分割區域色彩失真。最後一種CLAHE方法考慮的是區域性對比度，所以效果會好一點。

因為影象是彩色的，這裡我只繪製了R通道的直方圖（紅色線）及其累積分佈函數（黑色線）

可以看到均衡後的影象具有大致線性的累積分佈函數。

總之，經過以上的探索，我最終決定使用CLAHE均衡後的結果

感覺是比之前的好了點

附原始碼

opencv版本

import cv2.cv2 as cv
import matplotlib.pyplot as plt
import numpy as np


def plot_img_and_hist(image, axes, bins=256):
    """Plot an image along with its histogram and cumulative histogram.

    """
    ax_img, ax_hist = axes
    ax_cdf = ax_hist.twinx()

    # Display image
    ax_img.imshow(image, cmap=plt.cm.gray)
    ax_img.set_axis_off()

    # Display histogram
    colors = ['red', 'green', 'blue']
    for i in range(1):
        ax_hist.hist(image[:, :, i].ravel(), bins=bins, histtype='step', color=colors[i])

    ax_hist.ticklabel_format(axis='y', style='scientific', scilimits=(0, 0))

    ax_hist.set_xlabel('Pixel intensity')
    ax_hist.set_xlim(0, 255)    # 這裡範圍為0~255 如果使用img_as_float，則這裡為0~1
    ax_hist.set_yticks([])

    # Display cumulative distribution
    for i in range(1):
        hist, bins = np.histogram(image[:, :, i].flatten(), 256, [0, 256])
        cdf = hist.cumsum()
        cdf = cdf * float(hist.max()) / cdf.max()
        ax_cdf.plot(bins[1:], cdf, 'k')
    ax_cdf.set_yticks([])

    return ax_img, ax_hist, ax_cdf


def plot_all(images, titles, cols):
    """
    輸入titles、images、以及每一行多少列，自動計算行數、並繪製影象和其直方圖
    :param images:
    :param titles:
    :param cols: 每一行多少列
    :return:
    """
    fig = plt.figure(figsize=(12, 8))
    img_num = len(images)  # 圖片的個數
    rows = int(np.ceil(img_num / cols) * 2)  # 上圖下直方圖 所以一共顯示img_num*2個子圖
    axes = np.zeros((rows, cols), dtype=object)
    axes = axes.ravel()
    axes[0] = fig.add_subplot(rows, cols, 1)  # 先定義第一個img 單獨拿出來定義它是為了下面的sharex
    # 開始建立所有的子視窗
    for i in range(1, img_num):  #
        axes[i + i // cols * cols] = fig.add_subplot(rows, cols, i + i // cols * cols + 1, sharex=axes[0],
                                                     sharey=axes[0])
    for i in range(0, img_num):
        axes[i + i // cols * cols + cols] = fig.add_subplot(rows, cols, i + i // cols * cols + cols + 1)

    for i in range(0, img_num):  # 這裡從1開始，因為第一個在上面已經繪製過了
        ax_img, ax_hist, ax_cdf = plot_img_and_hist(images[i],
                                                    (axes[i + i // cols * cols], axes[i + i // cols * cols + cols]))
        ax_img.set_title(titles[i])
        y_min, y_max = ax_hist.get_ylim()
        ax_hist.set_ylabel('Number of pixels')
        ax_hist.set_yticks(np.linspace(0, y_max, 5))

        ax_cdf.set_ylabel('Fraction of total intensity')
        ax_cdf.set_yticks(np.linspace(0, 1, 5))

    # prevent overlap of y-axis labels
    fig.tight_layout()
    plt.show()
    plt.close(fig)


if __name__ == '__main__':
    img = cv.imread('catandmouse.png', cv.IMREAD_UNCHANGED)[:, :, :3]
    img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    # 對比度拉伸
    p1, p2 = np.percentile(img, (0, 70))  # numpy計算多維陣列的任意百分比分位數
    rescale_img = np.uint8((np.clip(img, p1, p2) - p1) / (p2 - p1) * 255)

    # 對數變換
    log_img = np.zeros_like(img)
    scale, gain = 255, 1.5
    for i in range(3):
        log_img[:, :, i] = np.log(img[:, :, i] / scale + 1) * scale * gain

    # gamma變換
    gamma, gain, scale = 0.7, 1, 255
    gamma_img = np.zeros_like(img)
    for i in range(3):
        gamma_img[:, :, i] = ((img[:, :, i] / scale) ** gamma) * scale * gain

    # 彩色圖直方圖均衡化
    # 直方圖均衡化
    equa_img = np.zeros_like(img)
    for i in range(3):
        equa_img[:, :, i] = cv.equalizeHist(img[:, :, i])
    # 對比度自適應直方圖均衡化
    clahe_img = np.zeros_like(img)
    clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    for i in range(3):
        clahe_img[:, :, i] = clahe.apply(img[:, :, i])

    titles = ['img', 'rescale', 'log', 'gamma', 'equalizeHist', 'CLAHE']
    images = [img, rescale_img, log_img, gamma_img, equa_img, clahe_img]
    plot_all(images, titles, 3)

skimage版本

from skimage import exposure, util, io, color, filters, morphology
import matplotlib.pyplot as plt
import numpy as np


def plot_img_and_hist(image, axes, bins=256):
    """Plot an image along with its histogram and cumulative histogram.

    """
    image = util.img_as_float(image)
    ax_img, ax_hist = axes
    ax_cdf = ax_hist.twinx()

    # Display image
    ax_img.imshow(image, cmap=plt.cm.gray)
    ax_img.set_axis_off()

    # Display histogram
    colors = ['red', 'green', 'blue']
    for i in range(1):
        ax_hist.hist(image[:, :, i].ravel(), bins=bins, histtype='step', color=colors[i])

    ax_hist.ticklabel_format(axis='y', style='scientific', scilimits=(0, 0))
    ax_hist.set_xlabel('Pixel intensity')
    ax_hist.set_xlim(0, 1)
    ax_hist.set_yticks([])

    # Display cumulative distribution
    for i in range(1):
        img_cdf, bins = exposure.cumulative_distribution(image[:, :, i], bins)
        ax_cdf.plot(bins, img_cdf, 'k')
    ax_cdf.set_yticks([])

    return ax_img, ax_hist, ax_cdf


def plot_all(images, titles, cols):
    """
    輸入titles、images、以及每一行多少列，自動計算行數、並繪製影象和其直方圖
    :param images:
    :param titles:
    :param cols: 每一行多少列
    :return:
    """
    fig = plt.figure(figsize=(12, 8))
    img_num = len(images)  # 圖片的個數
    rows = int(np.ceil(img_num / cols) * 2)  # 上圖下直方圖 所以一共顯示img_num*2個子圖
    axes = np.zeros((rows, cols), dtype=object)
    axes = axes.ravel()
    axes[0] = fig.add_subplot(rows, cols, 1)  # 先定義第一個img 單獨拿出來定義它是為了下面的sharex
    # 開始建立所有的子視窗
    for i in range(1, img_num):  #
        axes[i + i // cols * cols] = fig.add_subplot(rows, cols, i + i // cols * cols + 1, sharex=axes[0],
                                                     sharey=axes[0])
    for i in range(0, img_num):
        axes[i + i // cols * cols + cols] = fig.add_subplot(rows, cols, i + i // cols * cols + cols + 1)

    for i in range(0, img_num):  # 這裡從1開始，因為第一個在上面已經繪製過了
        ax_img, ax_hist, ax_cdf = plot_img_and_hist(images[i],
                                                    (axes[i + i // cols * cols], axes[i + i // cols * cols + cols]))
        ax_img.set_title(titles[i])
        y_min, y_max = ax_hist.get_ylim()
        ax_hist.set_ylabel('Number of pixels')
        ax_hist.set_yticks(np.linspace(0, y_max, 5))

        ax_cdf.set_ylabel('Fraction of total intensity')
        ax_cdf.set_yticks(np.linspace(0, 1, 5))

    # prevent overlap of y-axis labels
    fig.tight_layout()
    plt.show()
    plt.close(fig)


if __name__ == '__main__':
    img = io.imread('catandmouse.png')[:, :, :3]

    gray = color.rgb2gray(img)
    # 對比度拉伸
    p1, p2 = np.percentile(img, (0, 70))  # numpy計算多維陣列的任意百分比分位數
    rescale_img = exposure.rescale_intensity(img, in_range=(p1, p2))

    # 對數變換
    # img = util.img_as_float(img)
    log_img = np.zeros_like(img)
    for i in range(3):
        log_img[:, :, i] = exposure.adjust_log(img[:, :, i], 1.2, False)

    # gamma變換
    gamma_img = np.zeros_like(img)
    for i in range(3):
        gamma_img[:, :, i] = exposure.adjust_gamma(img[:, :, i], 0.7, 2)

    # 彩色圖直方圖均衡化
    equa_img = np.zeros_like(img, dtype=np.float64)  # 注意直方圖均衡化輸出值為float型別的
    for i in range(3):
        equa_img[:, :, i] = exposure.equalize_hist(img[:, :, i])

    # 對比度自適應直方圖均衡化
    clahe_img = np.zeros_like(img, dtype=np.float64)
    for i in range(3):
        clahe_img[:, :, i] = exposure.equalize_adapthist(img[:, :, i])

    # 區域性直方圖均衡化 效果不好就不放了
    selem = morphology.rectangle(50, 50)
    loc_img = np.zeros_like(img)
    for i in range(3):
        loc_img[:, :, i] = filters.rank.equalize(util.img_as_ubyte(img[:, :, i]), footprint=selem)

    # Display results
    titles = ['img', 'rescale', 'log', 'gamma', 'equalizeHist', 'CLAHE']
    images = [img, rescale_img, log_img, gamma_img, equa_img, clahe_img]

    plot_all(images, titles, 3)