一、在开始之前

知识点

本次教程涉及到的知识点：
灰度拉伸：
定义：灰度拉伸，也称对比度拉伸，是一种简单的线性点运算。
作用：扩展图像的直方图，使其充满整个灰度等级范围内
公式：g(x,y) = 255 / (B - A) * [f(x,y) - A],
其中，A = min[f(x,y)],最小灰度级；B = max[f(x,y)],最大灰度级；
f(x,y)为输入图像,g(x,y)为输出图像
缺点：如果灰度图像中最小值A=0，最大值B=255，则图像没有什么改变
直方图均衡化的基本原理：
对在图像中像素个数多的灰度值（即对画面起主要作用的灰度值）进行展宽，而对像素个数少的灰度值（即对画面不起主要作用的灰度值）进行归并，从而增大对比度，使图像清晰，达到增强的目的。
灰度拉伸只是线性的拉宽对比度，对图像的整体影响不大。而灰度直方图均衡化却对图像的整体效果有影响，对直方图的改变也比较大；

码云代码地址：https://gitee.com/steveqobs/opencv
chapter3
要自己准备一张低对比度照片和过度曝光照片**！**

二、开始

先引入cv2

import cv2
import numpy as np
from matplotlib import pyplot as plt

下面两个是加下来的步骤要调用的函数

# 灰度拉伸
def grey_scale(image):
    img_gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    rows, cols = img_gray.shape
    flat_gray = img_gray.reshape((cols * rows,)).tolist()
    min1 = min(flat_gray)
    max1 = max(flat_gray)
    print('min = %d,max = %d' % (min1, max1))
    output = np.uint8(255 / (max1 - min1) * (img_gray - min1) + 0.5)
    return output

# 绘制整幅图像的直方图
def show_histogram(fx, gx):
    plt.figure(1)
    plt.hist(fx.ravel(), 256, [0, 256])
    plt.figure(2)
    plt.hist(gx.ravel(), 256, [0, 256])
    # numpy的ravel函数功能是将多维数组降为一维数组
    plt.show()

三、灰度拉伸，观察它们的图像变化、直方图变化

1、先对一副低对比度图像灰度拉伸

src = cv2.imread('img/lowContrast.jpg')
# src = cv2.imread('img/overexposed.jpg')

greyScale = grey_scale(src)
cv2.imshow('src', src)
cv2.imshow('srcGray', cv2.cvtColor(src, cv2.COLOR_BGR2GRAY))
cv2.imshow('greyScale', greyScale)
show_histogram(src, greyScale)
cv2.waitKey(0)

2、观察图像变化、直方图变化

第一张src原图，第二张是灰度级图片，第三张是灰度拉伸图片
下面的直方图分别对应原图和灰度拉伸图片
在这里插入图片描述

3、对一副过度曝光图像灰度拉伸

对之前的代码换一下，换一行注释，就可以换成过度曝光图像了

# src = cv2.imread('img/lowContrast.jpg')
src = cv2.imread('img/overexposed.jpg')

greyScale = grey_scale(src)
cv2.imshow('src', src)
cv2.imshow('srcGray', cv2.cvtColor(src, cv2.COLOR_BGR2GRAY))
cv2.imshow('greyScale', greyScale)
show_histogram(src, greyScale)
cv2.waitKey(0)

在这里插入图片描述

4、观察图像变化、直方图变化

在这里插入图片描述

四、对图像直方图均衡算法，观察它们的图像变化、直方图变化

cv2.imshow('srcLowContrast', src)
# cv2.imshow('srcOverexposed', src)

# 直方图均衡化Histogram equalization algorithm for image
# 把原图像分为三个通道
(b, g, r) = cv2.split(src)
# 对三个通道都进行均衡化
bH = cv2.equalizeHist(b)
gH = cv2.equalizeHist(g)
rH = cv2.equalizeHist(r)
# 最后合并
result = cv2.merge((bH, gH, rH))
cv2.imshow('resultHistogramEqualization', result)
# 显示原图和处理过的图像的直方图
show_histogram(src, result)
cv2.waitKey(0)