使用 OpenCV 实现 CLAHE 直方图均衡化

CLAHE（对比度受限的自适应直方图均衡化）

CLAHE（Contrast Limited Adaptive Histogram Equalization）是一种用于提升图像对比度的技术。在传统的图像处理方法中，直方图均衡化通常会改变整张图像的对比度，而 CLAHE 则通过将图像分割成较小的部分（网格），并分别调整每个部分的对比度来工作。这种方法有助于避免图像的某些区域出现过亮或过暗的情况。在本文中，我们将一起来探索如何结合 Python 使用 OpenCV 来应用 CLAHE。

在使用 CLAHE 时，我们需要记住两个关键参数：

• clipLimit：该参数用于设置对比度限制的阈值。默认值为 40。
• tileGridSize：它用于将图像划分为网格以应用 CLAHE。它指定了网格的行数和列数。默认设置为 8×8。

我们利用自适应直方图均衡化来处理每个图块（tile），该过程会根据像素值的局部分布来调整像素强度。在处理完这些图块后，算法会使用双线性插值（Bilinear Interpolation）将它们重新组合，以消除图块之间可见的边界。这一步骤确保了相邻图块之间的过渡平滑一致，在增强局部区域对比度的同时，保留了图像的自然外观。

现在，让我们看看如何使用 Python 来实现它。

输入图像：

!image输入图像

• image_resized = cv2.resize(image, (500, 600))： 将图像的大小调整为 500×600 像素。
• imagebw = cv2.cvtColor(imageresized, cv2.COLOR_BGR2GRAY)： 将调整大小后的图像转换为灰度图。
• clahe = cv2.createCLAHE(clipLimit=5)： 创建一个 CLAHE 对象，并将对比度限制设置为 5。
• claheimg = np.clip(clahe.apply(imagebw) + 30, 0, 255).astype(np.uint8)： 对图像应用 CLAHE 并将结果加上 30，这有助于将数值裁剪到有效范围内。
• , thresholdimg = cv2.threshold(imagebw, 155, 255, cv2.THRESHBINARY)： 对灰度图像应用二值化阈值处理，阈值设定为 155。

Python 代码示例

import cv2
import numpy as np
import os

def display_image(title, image):
    try:
        from google.colab.patches import cv2_imshow 
        cv2_imshow(image)
    except ImportError:
        cv2.imshow(title, image)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

image_path = "image.jpg"
image = cv2.imread(image_path)
image_resized = cv2.resize(image, (500, 600))
image_bw = cv2.cvtColor(image_resized, cv2.COLOR_BGR2GRAY)

clahe = cv2.createCLAHE(clipLimit=5)
clahe_img = np.clip(clahe.apply(image_bw) + 30, 0, 255).astype(np.uint8)

_, threshold_img = cv2.threshold(image_bw, 155, 255, cv2.THRESH_BINARY)

display_image("Ordinary Threshold", threshold_img)
display_image("CLAHE Image", clahe_img)

输出结果：

!image普通阈值处理

!image应用 CLAHE 后

通过对比我们可以看到，使用 CLAHE 处理后的图像在可读性和视觉效果上都明显优于普通的阈值处理。这种技术也被广泛应用于医学影像和卫星照片的处理中。