FPGA图像处理——CLAHE算法(一)

在介绍CLAHE算法之前必须要先提一下直方图均衡化，直方图均衡化算法是一种常见的图像增强算法，可以让像素的亮度分配的更加均匀从而获得一个比较好的观察效果。

如下图就是经过直方图均衡化后的效果图。

import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread(rE:\python_image_sim\pythonProject\sim\img\Fig0459(a)(orig_chest_xray).tif, 0) img = cv2.resize(img, (500, 500)) equ = cv2.equalizeHist(img) res = np.hstack((img, equ)) # stacking images side-by-side cv2.imshow(img, res) cv2.waitKey() cv2.destroyAllWindows()

左边是原图，右边是经过直方图均衡化后图，可以看到肋骨什么的可以更加清晰的显示了出来，能够更好的观察到肋骨等位置的细节。

但是美中不足的是总感觉有的地方太亮了，干扰到了我们的观察。

这是因为直方图均衡化有着两个问题：

直方图均衡化是针对全局进行处理的，所以当局部出现过亮或者过暗的时候就会影响效果。直方图均衡化会增强噪声。

再来看看经过CLAHE算法后的效果。

import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread(rE:\python_image_sim\pythonProject\sim\img\breast_digital_Xray.tif, 0) img = cv2.resize(img, (500, 500)) equ = cv2.equalizeHist(img) cla = cv2.createCLAHE(2, (5, 5)) # cv2.ahe cla = cla.apply(img) res = np.hstack((img, equ, cla)) # res = np.hstack((img, equ)) # stacking images side-by-side cv2.imshow(img, res) cv2.waitKey() cv2.destroyAllWindows()

最左侧为原图，中间为直方图均衡化后的结果，最右侧为CLAHE算法的效果。

从视觉效果上来看，CLAHE算法的效果最为明显。

CLAHE算法针对上面两个问题，提出了相应的解决方案：

CLAHE会将图像分成一个一个的小块，这样在局部进行直方图均衡化。针对背景噪声增强的问题，CLAHE算法应用了限制对比度的方法。

CLAHE算法的实现步骤分为以下三个部分：

对图像进行分块对每个块进行直方图均衡化和限制对比度使用插值的方法得到最后增强的图片
注明：本内容来源网络，不用于商业使用，禁止转载，如有侵权，请来信到邮箱：429562386ⓐqq.com 或联系本站客服处理，感谢配合！