基于OpenCV3和Python3写一段直方图均衡化算法

import cv2
import numpy as np

# 读取图像
img = cv2.imread('input.jpg', 0)

# 直方图均衡化
equ = cv2.equalizeHist(img)

# 显示原图和处理后的图像
cv2.imshow('Original Image', img)
cv2.imshow('Equalized Image', equ)
cv2.waitKey(0)

# 保存处理后的图像
cv2.imwrite('output.jpg', equ)

相关问题

opencv-python 图像直方图和直方图均衡化

OpenCV-Python是一个开源的计算机视觉库，提供了丰富的图像处理和计算机视觉算法。其中，图像直方图和直方图均衡化是图像处理中常用的技术。

1. 图像直方图：
图像直方图是一种统计图，用于表示图像中各个灰度级别的像素数量。它可以帮助我们了解图像的亮度分布情况。直方图通常以灰度级别为横坐标，像素数量为纵坐标进行绘制。通过分析直方图，我们可以得到图像的亮度信息，进而进行后续的图像处理操作。

2. 直方图均衡化：
直方图均衡化是一种用于增强图像对比度的方法。它通过重新分布图像的灰度级别，使得图像中各个灰度级别的像素数量尽可能均匀分布。这样可以使得图像的亮度范围更广，细节更加清晰。直方图均衡化的过程包括以下几个步骤：
- 计算原始图像的灰度直方图；
- 计算累积分布函数（CDF）；
- 根据CDF对原始图像进行灰度级别映射，得到均衡化后的图像。

通过直方图均衡化，我们可以改善图像的视觉效果，使得图像更加清晰、对比度更强。

python opencv 图像增强使用1.直方图均衡化图像增强算法2.对数图像增强3.幂次图像增强分别编写出对应代码

在Python中，OpenCV是一个强大的计算机视觉库，可以用于图像处理和分析。下面我将为你展示如何使用OpenCV实现三种常见的图像增强方法：

1. **直方图均衡化**:

import cv2
import numpy as np

def histogram_equalization(image_path):
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    eq_img = cv2.equalizeHist(img)
    return eq_img

# 使用示例
image = histogram_equalization('input_image.jpg')
cv2.imwrite('output_histogram_equalized.jpg', image)

2. **对数图像增强**:

def log_transform(image_path):
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    log_img = cv2.addWeighted(img, 4, cv2.GaussianBlur(img, (5, 5), 0), -4, 128)  # 对数增强的一种变种
    return log_img

# 使用示例
image = log_transform('input_image.jpg')
cv2.imwrite('output_log_transformed.jpg', image)

3. **幂次图像增强**:

def power_transform(image_path, alpha=0.5):  # 通常alpha值范围在0~1之间
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    img_power = cv2.pow(img.astype('float32'), alpha)
    img_power = img_power.clip(0, 255).astype('uint8')  # 确保结果在0-255范围内
    return img_power

# 使用示例
image = power_transform('input_image.jpg', 0.7)
cv2.imwrite('output_power_transformed.jpg', image)