标签：例子 red import 随机选择 lazy art 导致 简单的 eve
CLAHE是一个比较有意思的图像增强的方法，主要用在医学图像上面。之前的比赛中，用到了这个，但是对其算法原理不甚了解。在这里做一个复盘。
CLAHE起到的作用简单来说就是增强图像的对比度的同时可以抑制噪声
CLAHE的英文是Contrast Limited Adaptive Histogram Equalization 限制对比度的自适应直方图均衡。在学习这个之前，我们要先学习一下下面的前置算法：
在比赛中，我们往往使用albumentations库函数进行图像的预处理，因为这个预处理库的运行速度非常的快，而且封装了大量的图像增强的方法。图像任务的话这个库函数非常滴奈斯。
本文中会介绍一下albumentations库函数实现CLAHE的代码，然后再用openCV实现。
import albumentations
RESIZE_SIZE = 1024 # or 768
train_transform = albumentations.Compose([
albumentations.Resize(RESIZE_SIZE, RESIZE_SIZE),
albumentations.OneOf([
albumentations.RandomGamma(gamma_limit=(60, 120), p=0.9),
albumentations.RandomBrightnessContrast(brightness_limit=0.2, contrast_limit=0.2, p=0.9),
albumentations.CLAHE(clip_limit=4.0, tile_grid_size=(4, 4), p=0.9),
]),
albumentations.HorizontalFlip(p=0.5),
albumentations.ShiftScaleRotate(shift_limit=0.2, scale_limit=0.2, rotate_limit=20,
interpolation=cv2.INTER_LINEAR, border_mode=cv2.BORDER_CONSTANT, p=1),
albumentations.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225), max_pixel_value=255.0, p=1.0)
])
这是一个图像增强的pipline,其中的流程是：
本文主要讲解的就是CLAHE这个直方图均衡化的算法。
使用openCV的代码来获取一个图片的灰度直方图：
import cv2
import numpy as np
import matplotlib.pyplot as plt
def plot(grayHist):
plt.plot(range(256), grayHist, ‘r‘, linewidth=1.5, c=‘red‘)
y_maxValue = np.max(grayHist)
plt.axis([0, 255, 0, y_maxValue]) # x和y的范围
plt.xlabel("gray Level")
plt.ylabel("Number Of Pixels")
plt.show()
if __name__ == "__main__":
# 读取图像并转换为灰度图
img = cv2.imread(r‘E:\dog.jpg‘, 0)
# 图像的灰度级范围是0~255
grayHist = cv2.calcHist([img], [0], None, [256], [0, 256])
# 绘制直方图
plot(grayHist)
狗子的图片就是左边的这个，发现灰度值在100左右的像素个数最多：
在生活中，我们在PS图片的时候，往往会用到图片对比度，那么这个究竟是什么东西呢？
图片对比度指的是一幅图片中最亮的白和最暗的黑之间的反差大小。常用的定量度量方法是Michelson对比度：
\(C = \frac{I_{max}-I_{min}}{I_{max}+I_{min}}\)
【英文中如何描述高对比度与低对比度的？】
当一幅图像最白和最黑像素灰度都在128附近浮动时，图像的直方图集中在中间的几个桶，图像看起来灰蒙蒙的，英语中使用dull描述这种效果。相反，如果图像中黑白像素的跨度较大，则图像富有通透感，英语中使用clarity描述这种效果。
图片中左边的图片就是dull，灰度直方图也是集中在中间区域，这就是低对比度；最右边的图片是clarity，直方图感觉是被拉开了、舒展了，这就是高对比度。
我们已经搞懂了图片不通透的原因，就是灰度直方图不够舒展，集中在了一个小区域，这样我们可以通过数学的方法把低对比度的图像提高对比度。最简单的方法就是对比度拉伸（Contrast Stretching）。
现在有这样的一个低对比度的图片，其灰度直方图集中在中间的区域。然后我们想把这个灰度直方图拉伸到整个0~255的区间，我们怎么做呢？（这里假设这个低对比度的图片的灰度集中在100到200之间好了）
用一个这样的分段线性函数，来处理上面那个低对比度图片的时候，可以把(r2,s2)极端的设置成(100，0),把(r3,s3)设置成(200,255),这样把原来的直方图通过这个函数映射，其实就是把100~200范围线性拉伸到0~255这么大。
这种方法最简单，简单的说就是线性拉伸直方图。对于某些图片可以起到效果：
但是对于比较复杂的图片，并没有什么效果：
对比度解决不了的问题，我们来用HE试试。Histogram Equalization的思想就是用数学方法重新调整像素的亮度分布，来保证直方图具有最大的动态范围，也就是尽可能地让灰度直方图是一个矩形！
其实Contrast Stretching也是做的一样的事情，只是它用的简单的分段线性函数来重新映射灰度，现在用更巧妙地方法。
【定义一些数学符号】
因为不管怎么转换，概率密度函数的累积总是1，而转换前后的取值范围都是[0,1]，所以可以得到：
\(\int_0^1{p(x)dx=\int_0^1Cdy=1}\)
(当然，这里可以很快的算出来，C=1)
我们希望找到，一个x和y的映射关系，也就是\(y=f(x)\)，不难想到，这个\(f(x)\)就应该是\(p(x)\)的累积分布函数，也就是：
\(f(x)=\int_0^xp(u)du\)
这个图中，直观的展示了，任何一个直方图，只要按照该直方图的累积分布函数进行拉伸，就可以得到一个矩形的直方图。
下面是一个利用这样的方法增强对比度的例子：
可以发现，在直方图密集的地方，就会被拉的松散
再看另外一个例子：
可以发现，使用HE之后的直方图的累积分布函数，是一个直线
HE算法在一种情况下，效果不好，如果一个图片中有大块的暗区或者亮区的话，效果非常不好。这个的原因，也非常好理解，因为HE其实要求一个图片中必须有10%的最亮的像素点，必须有10%第二亮的像素点，必须有10%第三亮的像素点……假设有一张纯黑的图片，你想想经过HE处理之后，会出现什么情况？答案就是一部分黑的像素也会被强行搞成白的
下面是一个例子，发现经过HE之后的图片出现了大量噪点：
【Histogram Equalization的缺点】
针对第一个问题，提出了CLHE，加入对比度限制，其实原理很简单置直方图分布的阈值，将超过该阈值的分布“均匀”分散至概率密度分布上，由此来限制转换函数（累计直方图）的增幅。
这样的话，直方图就不会出现概率密度函数过大的区域，从而避免了某些集中区域被拉得过于系数。
Adaptive HE的基本思想是将原始图片划分成子区域，然后对每个子区域进行HE变换。当然，这样做的问题应该是显而易见的：
每一块区域之间都会有非常大的不连续。因此为了解决这个问题，提出了优化方案双线性插值的AHE，然后这个基础上再使用CLHE的截断对比度的思想，就变成了我们现在的CLAHE算法。
【使用双线性插值的方案】
将图像分为多个矩形块大小，对于每个矩形块子图，分别计算其灰度直方图和对应的变换函数（累积直方图）
将原始图像中的像素按照分布分为三种情况处理：
【这里是openCV实现HE的方法】
img = cv.imread(r‘E:\dog.jpg‘, 0)
equ = cv.equalizeHist(img) # 输入为灰度图
res = np.hstack((img, equ)) # stacking images side-by-side
cv.imwrite(‘res.png‘,res)
运行结果：
【openCV实现CLAHE】
img = cv2.imread(r‘E:\dog.jpg‘, 0)
# create a CLAHE object
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)
res = np.hstack((img, cl1))
cv2.imwrite(‘res.jpg‘, res)
结果是：
【更多对比的例子】
然后我在另外一个博文，找到了上面那个例子的彩色版本哈哈：
参考文章：
标签：例子 red import 随机选择 lazy art 导致 简单的 eve
原文地址：https://www.cnblogs.com/PythonLearner/p/13358414.html
