CLAHE算法代码分析与学习应用

版权申诉
CLAHE
RAR格式 | 5KB | 更新于2025-01-04 | 34 浏览量 | 0 下载量 举报
2 收藏
资源摘要信息: "CLAHE（Contrast Limited Adaptive Histogram Equalization，对比度受限自适应直方图均衡化）是一种图像处理算法，主要用于增强图像的局部对比度。该算法通过限制直方图均衡化中可能出现的过度对比度增强现象，来改善图像的视觉质量。CLAHE算法在医学图像处理、卫星图像增强等领域有广泛的应用。 CLAHE算法的基本思想是在传统直方图均衡化的基础上，引入了局部区域的概念，通过对局部区域内的直方图进行均衡化，避免了全局均衡化带来的噪声放大和细节丢失问题。为了防止对比度增强过度，CLAHE还引入了对比度限制的机制。 在进行CLAHE处理时，首先要将输入图像分割成多个小区域（通常为固定大小的矩形区域），然后对每个区域内的像素值进行直方图均衡化处理。在计算直方图时，CLAHE算法会对每个小区域应用一个限制函数来限制直方图的最大值。这个限制值通常是由用户设定的参数，称为对比度限制（Contrast Limit）。对比度限制的作用是在计算直方图时防止直方图中的峰值过高，从而避免在均衡化过程中产生过度的对比度增强。 CLAHE算法的一个关键步骤是灰度级的重新映射。在每个局部区域，直方图均衡化之后，每个像素的灰度值会根据均衡化后的直方图重新映射到一个新的灰度值。这个过程中，每个区域的输出灰度级会被限制在一个用户定义的最大值之内，以防止增强后的图像区域出现过曝。 CLAHE算法的优点在于能够有效地改善图像的整体对比度，同时避免了过增强带来的图像细节丢失问题。CLAHE能够提高图像中阴影和高光区域的可见性，对于医学成像、遥感图像分析等领域非常有用。 在使用CLAHE进行图像处理时，需要注意以下几个方面： 1. 区域大小的选择：区域大小的选择对于CLAHE算法的效果有很大影响。过小的区域可能导致图像出现噪声，而过大的区域可能无法有效增强局部对比度。因此，选择合适的区域大小是实现理想增强效果的关键。 2. 对比度限制参数的设定：对比度限制参数决定了在直方图均衡化过程中允许的最大对比度增强程度。参数的大小直接影响着图像的视觉效果，需要根据具体的图像内容和需求进行调整。 3. 输出灰度级的限制：CLAHE算法通过对输出灰度级进行限制来防止过度增强，因此确定合适的输出灰度级限制是必要的。 4. 算法实现的效率：CLAHE算法虽然效果显著，但计算量相对较大。在实际应用中，需要考虑算法的实时性和优化问题。 CLAHE算法在实际应用中通常需要结合其他图像处理技术，如滤波、边缘检测等，以达到最佳的图像处理效果。通过阅读和学习CLAHE代码，可以帮助提高图像处理的能力，尤其是在需要对图像细节进行细致调整的场景中。"

相关推荐

filetype

Retinex+CLAHE_retinex_RETINEX去雾_Retiex_matlab_ssr_

结合Retinex和CLAHE图像去雾，Retinex有ssr，msr，msrcr。
278 浏览量
filetype

CLAHE_C代码.rar

对比度受限的自适应直方图均衡化方法的c代码
294 浏览量
filetype

CLAHE_matlab，clahe_CLAHE_clahematlab实现_

function clahe_img = clahe_image(input_img, tile_size, clip_limit) % 创建掩模 ... % 分割图像 ... % 对每个块进行直方图均衡化 ... % 对比度限制 ... % 邻域处理 ... % 结果合并 ... end ``` 为了...
868 浏览量
filetype

image_clahe_color_lab = equalize_clahe_color_lab(image)

`image_clahe_color_lab` 是这种方法的一个实现，它会对图像进行Lab色彩空间的对比度拉伸。具体步骤如下： 1. **转换到Lab颜色空间**[^1]: ```python from skimage import exposure image_lab = exposure....
21 浏览量
filetype

Traceback (most recent call last): File "E:/pycharm/AHEcode/train.py", line 229, in <module> outputs = model(images) File "E:\conda\CONDA\envs\hu-torch\lib\site-packages\torch\nn\modules\module.py", line 1130, in _call_impl return forward_call(*input, **kwargs) File "E:/pycharm/AHEcode/train.py", line 63, in forward x_final = torch.cat([x3_flat, lbp_output], dim=1) # 将 x3_flat 和 lbp_output 拼接 RuntimeError: Sizes of tensors must match except in dimension 1. Expected size 6272 but got size 8 for tensor number 1 in the list.完整的代码如下： def forward(self, x): x1 = F.relu(self.bn1(torch.cat([self.conv1_3x3(x), self.conv1_5x5(x), self.conv1_7x7(x)], dim=1))) x1 = F.max_pool2d(x1, 2) x2 = F.relu(self.bn2(torch.cat([self.conv2_3x3(x1), self.conv2_5x5(x1), self.conv2_7x7(x1)], dim=1))) x2 = F.max_pool2d(x2, 2) x3 = F.relu(self.bn3(torch.cat([self.conv3_3x3(x2), self.conv3_5x5(x2), self.conv3_7x7(x2)], dim=1))) x3 = F.max_pool2d(x3, 2) x3_flat = x3.view(-1, 768) print(f'x3_flat size: {x3_flat.size()}') clahe_output = self.clahe_module(x) print(clahe_output.shape) lbp_output = self.lbp_layer(clahe_output) print(f'lbp_output size: {lbp_output.size()}') lbp_output = lbp_output.to(x3_flat.device) # print(f'lbp_output expanded size: {lbp_output.size()}') x_final = torch.cat([x3_flat, lbp_output], dim=1) # 将 x3_flat 和 lbp_output 拼接 output = self.fc(x_final) # 全连接层得到最终的输出 return output

clahe_output = self.clahe_module(x) print(clahe_output.shape) lbp_output = self.lbp_layer(clahe_output) lbp_output = lbp_output.view(lbp_output.size(0), -1) # 将 lbp_output 展平 print(f'lbp_...
125 浏览量
filetype

""" Contrast Limited Adaptive Histogram Equalization,CLAHE 对比度受限自适应直方图均衡 """ import cv2 # import numpy as np import matplotlib.pyplot as plt def show_img_with_matplotlib(color_img, title, pos): img_rgb = color_img[:, :, ::-1] plt.subplot(2, 5, pos) plt.imshow(img_rgb) plt.title(title, fontsize=8) plt.axis('off') def equalize_clahe_color_hsv(img): cla = cv2.createCLAHE(clipLimit=4.0) H, S, V = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2HSV)) eq_V = cla.apply(V) eq_image = cv2.cvtColor(cv2.merge([H, S, eq_V]), cv2.COLOR_HSV2BGR) return eq_image def equalize_clahe_color_lab(img): cla = cv2.createCLAHE(clipLimit=4.0) L, a, b = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2Lab)) eq_L = cla.apply(L) eq_image = cv2.cvtColor(cv2.merge([eq_L, a, b]), cv2.COLOR_Lab2BGR) return eq_image def equalize_clahe_color_yuv(img): cla = cv2.createCLAHE(clipLimit=4.0) Y, U, V = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2YUV)) eq_Y = cla.apply(Y) eq_image = cv2.cvtColor(cv2.merge([eq_Y, U, V]), cv2.COLOR_YUV2BGR) return eq_image def equalize_clahe_color(img): cla = cv2.createCLAHE(clipLimit=4.0) channels = cv2.split(img) eq_channels = [] for ch in channels: eq_channels.append(cla.apply(ch)) eq_image = cv2.merge(eq_channels) return eq_image # 加载图像 image = cv2.imread('D:/Documents/python/OpenCV/image/008.jpg') gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 灰度图像应用 CLAHE clahe = cv2.createCLAHE(clipLimit=2.0) gray_image_clahe = clahe.apply(gray_image) # 使用不同 clipLimit 值 clahe.setClipLimit(5.0) gray_image_clahe_2 = clahe.apply(gray_image) clahe.setClipLimit(10.0) gray_image_clahe_3 = clahe.apply(gray_image) clahe.setClipLimit(20.0) gray_image_clahe_4 = clahe.apply(gray_image) # 彩色图像应用 CLAHE image_clahe_color = equalize_clahe_color(image) image_clahe_color_lab = equalize_clahe_color_lab(image) image_clahe_color_hsv = equalize_clahe_color_hsv(image) image_clahe_color_yuv = equalize_clahe_color_yuv(image) # 标题 plt.figure(figsize=(10, 4)) plt.suptitle("Color histogram equalization with cv2.equalizedHist() - not a good approach", fontsize=9, fontweight='bold') # 可视化 show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "gray", 1) show_img_with_matplotlib(cv2.cvtColor(gray_image_clahe, cv2.COLOR_GRAY2BGR), "gray CLAHE clipLimit=2.0", 2) show_img_with_matplotlib(cv2.cvtColor(gray_image_clahe_2, cv2.COLOR_GRAY2BGR), "gray CLAHE clipLimit=5.0", 3) show_img_with_matplotlib(cv2.cvtColor(gray_image_clahe_3, cv2.COLOR_GRAY2BGR), "gray CLAHE clipLimit=10.0", 4) show_img_with_matplotlib(cv2.cvtColor(gray_image_clahe_4, cv2.COLOR_GRAY2BGR), "gray CLAHE clipLimit=20.0", 5) show_img_with_matplotlib(image, "color", 6) show_img_with_matplotlib(image_clahe_color, "clahe on each channel(BGR)", 7) show_img_with_matplotlib(image_clahe_color_lab, "clahe on each channel(LAB)", 8) show_img_with_matplotlib(image_clahe_color_hsv, "clahe on each channel(HSV)", 9) show_img_with_matplotlib(image_clahe_color_yuv, "clahe on each channel(YUV)", 10) plt.show()

CLAHE，即对比度受限自适应直方图均衡化，是一种用于增强图像对比度的方法。在计算图像直方图均衡化的过程中，CLAHE会先将图像分成许多小块，并对每个小块进行直方图均衡化。由于小块内的像素值范围较小，采取均衡化...
217 浏览量
filetype

目标检测为什么要对数据集进行HSV色调图像处理，def he_hsv(img_demo): img_hsv = cv2.cvtColor(img_demo, cv2.COLOR_RGB2HSV) # Histogram equalisation on the V-channel img_hsv[:, :, 2] = cv2.equalizeHist(img_hsv[:, :, 2]) image_hsv = cv2.cvtColor(img_hsv, cv2.COLOR_HSV2RGB) return image_hsv def clahe_hsv(img): hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) h, s, v = hsv_img[:,:,0], hsv_img[:,:,1], hsv_img[:,:,2] clahe = cv2.createCLAHE(clipLimit = 100.0, tileGridSize = (10,10)) v = clahe.apply(v) hsv_img = np.dstack((h,s,v)) rgb = cv2.cvtColor(hsv_img, cv2.COLOR_HSV2RGB) return rgb index = 40 image = cv2.imread(reef_df.iloc[index]['img_path']) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) fig, ax = plt.subplots(1,3,figsize=(20,20)) display_transformed_image(image, index, ax[0]) display_transformed_image(he_hsv(image), index, ax[1]) display_transformed_image(clahe_hsv(image), index, ax[2]) plt.show()这段代码是什么意思，HSV对于目标检测的优点是什么

对数据集进行HSV色调图像处理，可以增加数据集的多样性，提高模型的鲁棒性和泛化...代码中he_hsv()函数使用了直方图均衡化，clahe_hsv()函数使用了CLAHE，这些方法可以增强图像的对比度和亮度，使目标更容易被识别。
155 浏览量
filetype

不要用cv2.createCLAHE的条件下, 用Numpy实现的CLAHE函数,输入是彩图

clahe_img = np.stack([img[:,:,0], clahe_img, img[:,:,2]], axis=-1) elif channel == 'b': clahe_img = np.stack([img[:,:,:2], clahe_img], axis=-1) return clahe_img ``` 这个函数的输入是一个RGB图像...
65 浏览量
filetype

python代码：有一张彩色三通道图像，对三个通道分别使用clahe算法，结果输出保存

processed_img = cv2.merge((clahe_b, clahe_g, clahe_r)) # 6. 输出保存处理后的图像 cv2.imwrite('output_clahe_image.jpg', processed_img) ``` 在这个例子中，`clip_limit`参数是CLAHE的重要参数，它限制...
54 浏览量
filetype

matlab实现基于lab模型的clahe

clahe_img = lab2rgb(lab_clahe_img); ``` 6.显示CLAHE后的图像。 ```matlab imshow(clahe_img); ``` 需要注意的是，基于LAB模型的CLAHE算法需要对L通道进行直方图均衡化，而A、B通道保持不变。
201 浏览量
心梓
  • 粉丝: 861
  • 资源: 8041
上传资源 快速赚钱

最新资源