В мире обработки изображений и компьютерного зрения существуют различные методы повышения визуального воздействия изображений. Одним из популярных методов является выравнивание гистограммы, которое может значительно улучшить контрастность и общее качество изображения. В этой статье блога мы рассмотрим концепцию выравнивания гистограмм и продемонстрируем различные методы ее реализации с использованием библиотеки OpenCV. Итак, пристегнитесь и приготовьтесь раскрыть потенциал своих изображений!

Понимание выравнивания гистограммы.
Прежде чем углубиться в код, давайте кратко разберемся, что такое выравнивание гистограммы. Выравнивание гистограммы — это метод, который перераспределяет интенсивность пикселей изображения для достижения более сбалансированного и визуально приятного результата. Он работает путем растягивания значений интенсивности пикселей по всему динамическому диапазону, тем самым увеличивая контраст и делая детали более различимыми.

Метод 1: встроенная функция OpenCV (cv2.equalizeHist):
OpenCV предоставляет простой и эффективный способ выполнения выравнивания гистограммы с помощью функции equalizeHist. Вот фрагмент кода, демонстрирующий, как его использовать:

import cv2
# Load the image
image = cv2.imread('image.jpg', 0)  # 0 flag for grayscale conversion
# Apply histogram equalization
equalized_image = cv2.equalizeHist(image)
# Display the original and equalized images
cv2.imshow('Original Image', image)
cv2.imshow('Equalized Image', equalized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

Метод 2: выравнивание гистограммы с помощью адаптивного выравнивания (cv2.createCLAHE):
OpenCV также предоставляет метод адаптивного выравнивания гистограммы под названием createCLAHE, который может быть полезен в определенных сценариях. Этот метод делит изображение на небольшие фрагменты и применяет выравнивание гистограммы независимо к каждому фрагменту, предотвращая чрезмерное усиление шума в однородных областях. Взгляните на фрагмент кода ниже:

import cv2
# Load the image
image = cv2.imread('image.jpg', 0)  # 0 flag for grayscale conversion
# Create a CLAHE object (Clip Limit and Tile Grid Size can be adjusted)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
# Apply adaptive histogram equalization
equalized_image = clahe.apply(image)
# Display the original and equalized images
cv2.imshow('Original Image', image)
cv2.imshow('Equalized Image', equalized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

Метод 3: выравнивание гистограммы вручную.
Для большего контроля над процессом выравнивания гистограммы вы также можете реализовать его вручную. Вот фрагмент кода, демонстрирующий этот подход:

import cv2
import numpy as np
# Load the image
image = cv2.imread('image.jpg', 0)  # 0 flag for grayscale conversion
# Compute the histogram
histogram, bins = np.histogram(image.flatten(), 256, [0, 256])
# Compute the cumulative distribution function (CDF)
cdf = histogram.cumsum()
cdf_normalized = cdf * histogram.max() / cdf.max()
# Perform histogram equalization
equalized_image = np.interp(image.flatten(), bins[:-1], cdf_normalized).reshape(image.shape)
# Display the original and equalized images
cv2.imshow('Original Image', image)
cv2.imshow('Equalized Image', equalized_image.astype(np.uint8))
cv2.waitKey(0)
cv2.destroyAllWindows()

Выравнивание гистограммы – это мощный метод повышения контрастности изображения и улучшения визуального эффекта. В этой статье мы рассмотрели несколько методов реализации выравнивания гистограмм с использованием библиотеки OpenCV. Предпочитаете ли вы простоту встроенной функции OpenCV, адаптивность метода CLAHE или ручное управление процессом, теперь у вас есть инструменты для преобразования изображений и повышения их визуальной привлекательности.

Помните, что экспериментирование с различными методами и параметрами может привести к еще лучшим результатам. Итак, вперед, погрузитесь в мир выравнивания гистограмм и раскройте весь потенциал своих изображений!