【低照度图像增强系列（1）】传统方法（直方图、图像变换）算法详解与代码实现

前言

☀️ 在低照度场景下进行目标检测任务，常存在图像RGB特征信息少、提取特征困难、目标识别和定位精度低等问题，给检测带来一定的难度。

🌻使用图像增强模块对原始图像进行画质提升，恢复各类图像信息，再使用目标检测网络对增强图像进行特定目标检测，有效提高检测的精确度。

⭐本专栏会介绍传统方法、Retinex、EnlightenGAN、SCI、Zero-DCE、IceNet、RRDNet、URetinex-Net等低照度图像增强算法。

👑完整代码已打包上传至资源→低照度图像增强代码汇总资源-CSDN文库

前言

🚀一、直方图均衡化方法

🎄1.1 方法介绍

🌻1.2 代码实现

🚀二、直方图规定化方法

🎄2.1 方法介绍

🌻2.2 代码实现

🚀三、图像变换方法

🎄3.1 方法介绍

🌻3.2 代码实现

🚀一、直方图均衡化方法

🎄1.1 方法介绍

（1）什么是直方图？

在统计学中，直方图是一种对数据分布情况的图形表示，是一种二维统计图表，他的两个坐标分别是统计样本（图像、视频帧）和样本的某种属性（亮度，像素值，梯度，方向，色彩等等任何特征）。

简单来说：

（1）直方图是图像中像素强度分布的图形表达方式。

（2）直方图统计了每一个强度值所具有的像素个数。

特征：

（1）直方图不再表征任何的图像纹理信息，而是对图像像素的统计。

（2）由于同一物体无论是旋转还是平移在图像中都具有相同的灰度值，因此直方图具有平移不变性、放缩不变性等优点。

（2）直方图均衡化的原理

直方图均衡化是通过灰度变换将一幅图象转换为另一幅均衡直方图，即在每个灰度级上都具有相同的象素点数的过程。

图像对比度增强的方法可以分成两类：

一类是直接对比度增强方法
另一类是间接对比度增强方法

直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。

直方图拉伸是通过对比度拉伸对直方图进行调整，从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或非线性的方法来实现。

直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强。

直方图均衡化的缺点：

变换后图像的灰度级减少，某些细节消失
某些图像，如直方图有高峰，经处理后对比度不自然的过分增强

🌻1.2 代码实现

在处理低照度图像的问题上，直方图均衡化主要是通过对图像的直方图进行均衡化，使图像的灰度分布更加均匀，从而增强图像的亮度和对比度。

import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread("img.png")
B, G, R = cv2.split(img)  # get single 8-bits channel
b = cv2.equalizeHist(B)
g = cv2.equalizeHist(G)
r = cv2.equalizeHist(R)
equal_img = cv2.merge((b, g, r))  # merge it backhist_b = cv2.calcHist([equal_img], [0], None, [256], [0, 256])
hist_B = cv2.calcHist([img], [0], None, [256], [0, 256])plt.subplot(1, 2, 1)
plt.plot(hist_B, 'b')
plt.title('原图B通道的直方图', fontdict={'family': 'KaiTi', 'size': 10})
plt.subplot(1, 2, 2)
plt.title('均衡化后B通道的直方图', fontdict={'family': 'KaiTi', 'size': 10})
plt.plot(hist_b, 'b')
plt.show()cv2.imshow("orj", img)
cv2.imshow("equal_img", equal_img)
cv2.waitKey(0)

增强效果：

直方图变化：

可以看出，该算法容易出现过度增强和噪声增加的问题。

🚀二、直方图规定化方法

🎄2.1 方法介绍

直方图规定化的原理

直方图规定化是指一幅输入图像经过点运算变化，将原图像的灰度直方图改造成所希望的直方图形状。

其本身与均衡化一样，不过均衡化的变换函数/增强函数是由图像自动决定的，让图像的灰度级变的更为均匀。而规定化可以让我们自己指定希望变换的图像的增强函数。让我们可以达到自己想要的效果。可以选择让灰度级集中到低灰度级区域，让阴影的细节更为丰富。

简单来说：

原图像的灰度是从0~255的，其分布是随机的，在一些情况下，我们可能需要一些特定的灰度值，比如我们只需要灰度值为0 7 27 77 255 这些值，除此之外的灰度值我们不需要，那么从原图像到我们需要的图像就可以理解成图像的规定化。

直方图规定化比直方图均衡化更加灵活（直方图均衡化可看成特殊的直方图规定化），常用与图片风格一致性的自动处理。

直方图规定化的缺点：

由于数字图像的灰度级是离散并且是有限的，所以直方图规定化的结果一般只是与目标直方图的形状大体接近，并非理想的完全一致。

🌻2.2 代码实现

在处理低照度图像的问题上，直方图规定化主要是通过将低照度图像的直方图映射到高照度图像的直方图上，从而增强图像的亮度和对比度。

from PIL import Image
import numpy as np
import matplotlib.pyplot as pltimg1 = np.array(Image.open('img_1.png')) # 读入原图像
img2 = np.array(Image.open('img_2.png')) # # 读入参考图像plt.subplot(2,2,1)
plt.imshow(img1, cmap='gray')
plt.axis('off')
plt.title('原图像',fontdict={'family':'KaiTi', 'size':10})plt.subplot(2,2,2)
plt.imshow(img2, cmap='gray')
plt.axis('off')
plt.title('参考图像',fontdict={'family':'KaiTi', 'size':10})# 计算原图像和参考图像的直方图
hist1, bins1 = np.histogram(img1.flatten(), 256, [0,256])
hist2, bins2 = np.histogram(img2.flatten(), 256, [0,256])# 将直方图归一化
hist1 = hist1 / float(np.sum(hist1))
hist2 = hist2 / float(np.sum(hist2))# 计算原图像和参考图像的累积分布函数（CDF）
cdf1 = hist1.cumsum()
cdf2 = hist2.cumsum()# 将CDF归一化
cdf1 = cdf1 / float(cdf1[-1])
cdf2 = cdf2 / float(cdf2[-1])# 创建新的图像数组
img3 = np.zeros_like(img1)# 计算灰度值映射
lut = np.interp(cdf1, cdf2, np.arange(0, 256))# 针对每个像素应用灰度映射
for i in range(256):img3[img1 == i] = lut[i]# 显示规定化后的图像
plt.subplot(2,2,3)
plt.imshow(img3, cmap='gray')
plt.axis('off')
plt.title('规定化后的图像',fontdict={'family':'KaiTi', 'size':10})
plt.show()