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。

用opencv写一个自适应直方图均衡化

对于图像处理中的直方图均衡化操作，传统的方法是对整幅图像进行全局的直方图均衡化，但是该方法存在一些缺陷，例如处理后的图像可能会出现过度增强的现象，同时在一些区域中会出现过度降低的现象。为了解决这些问题，可以使用自适应直方图均衡化（AHE）来处理图像。

AHE算法的基本思想是将整幅图像分成若干个小区域，然后对每个小区域进行直方图均衡化。这样做的主要好处是可以避免全局的过度增强和降低现象，同时能够更好地保留图像的细节和纹理信息。

下面是使用OpenCV实现自适应直方图均衡化的代码：

import cv2

# 读取图像
img = cv2.imread('img.png', cv2.IMREAD_GRAYSCALE)

# 定义区域大小和对比度
tile_size = 32
clip_limit = 3.0

# 创建CLAHE对象
clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=(tile_size, tile_size))

# 对图像进行自适应直方图均衡化
img_clahe = clahe.apply(img)

# 显示原始图像和处理后的图像
cv2.imshow('Original Image', img)
cv2.imshow('CLAHE Image', img_clahe)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先读取了需要处理的图像，然后定义了区域大小和对比度参数。接着使用`cv2.createCLAHE()`函数创建CLAHE对象，并传入上述参数。最后调用`clahe.apply()`函数对图像进行自适应直方图均衡化，得到处理后的图像。最后使用`cv2.imshow()`函数显示原始图像和处理后的图像。

需要注意的是，自适应直方图均衡化的效果取决于区域大小和对比度参数的选择，需要根据实际情况进行调整。