小編今天給大家分享的文章又是關于OpenCV的。OpenCV是目前最有名的一款計算機視覺軟件庫了，將OpenCV吃透對于我們計算機視覺以及機器學習甚至是AI人工智能方面都有很大幫助。下面，就跟小編一起來看如何使用OpenCV實現圖像增強吧。

以下文章來源： 小白學視覺

作者：努比

本期將介紹如何通過圖像處理從低分辨率/模糊/低對比度的圖像中提取有用信息。

下面讓我們一起來探究這個過程：

首先我們獲取了一個LPG氣瓶圖像，該圖像取自在傳送帶上運行的倉庫。我們的目標是找出LPG氣瓶的批號，以便更新已檢測的LPG氣瓶數量。

步驟1：導入必要的庫

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

步驟2：加載圖像并顯示示例圖像。

img= cv2.imread('cylinder1.png')
img1=cv2.imread('cylinder.png')
images=np.concatenate(img(img,img1),axis=1)
cv2.imshow("Images",images)
cv2.waitKey(0)
cv2.destroyAllWindows()

LPG氣瓶圖片（a）批次-D26（b）批次C27

該圖像的對比度非常差。我們幾乎看不到批號。這是在燈光條件不足的倉庫中的常見問題。接下來我們將討論對比度受限的自適應直方圖均衡化，并嘗試對數據集使用不同的算法進行實驗。

步驟3：將圖像轉換為灰度圖像

gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray_img1=cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)

步驟4：找到灰度圖像的直方圖后，尋找強度的分布。

hist=cv2.calcHist(gray_img,[0],None,[256],[0,256])hist1=cv2.calcHist(gray_img1,[0],None,[256],[0,256])plt.subplot(121)plt.title("Image1")plt.xlabel('bins')plt.ylabel("No of pixels")plt.plot(hist)plt.subplot(122)plt.title("Image2")plt.xlabel('bins')plt.ylabel("No of pixels")plt.plot(hist1)plt.show()

步驟5：現在，使用cv2.equalizeHist（）函數來均衡給定灰度圖像的對比度。cv2.equalizeHist（）函數可標準化亮度并增加對比度。

gray_img_eqhist=cv2.equalizeHist(gray_img)gray_img1_eqhist=cv2.equalizeHist(gray_img1)hist=cv2.calcHist(gray_img_eqhist,[0],None,[256],[0,256])hist1=cv2.calcHist(gray_img1_eqhist,[0],None,[256],[0,256])plt.subplot(121)plt.plot(hist)plt.subplot(122)plt.plot(hist1)plt.show()

步驟6：顯示灰度直方圖均衡圖像

eqhist_images=np.concatenate((gray_img_eqhist,gray_img1_eqhist),axis=1)
cv2.imshow("Images",eqhist_images)
cv2.waitKey(0)
cv2.destroyAllWindows()

灰度直方圖均衡

讓我們進一步深入了解CLAHE

步驟7：

對比度有限的自適應直方圖均衡

該算法可以用于改善圖像的對比度。該算法通過創建圖像的多個直方圖來工作，并使用所有這些直方圖重新分配圖像的亮度。CLAHE可以應用于灰度圖像和彩色圖像。有2個參數需要調整。

1. 限幅設置了對比度限制的閾值。默認值為40

2. tileGridsize設置行和列中標題的數量。在應用CLAHE時，為了執行計算，圖像被分為稱為圖塊（8 * 8）的小塊。

clahe=cv2.createCLAHE(clipLimit=40)
gray_img_clahe=clahe.apply(gray_img_eqhist)
gray_img1_clahe=clahe.apply(gray_img1_eqhist)
images=np.concatenate((gray_img_clahe,gray_img1_clahe),axis=1)
cv2.imshow("Images",images)
cv2.waitKey(0)
cv2.destroyAllWindows()

步驟8：

門檻技術

閾值處理是一種將圖像劃分為前景和背景的簡單但有效的方法。如果像素強度小于某個預定義常數（閾值），則最簡單的閾值化方法將源圖像中的每個像素替換為黑色像素；如果像素強度大于閾值，則使用白色像素替換源像素。閾值的不同類型是：

cv2.THRESH_BINARY

cv2.THRESH_BINARY_INV

cv2.THRESH_TRUNC

cv2.THRESH_TOZERO

cv2.THRESH_TOZERO_INV

cv2.THRESH_OTSU

cv2.THRESH_TRIANGLE

嘗試更改閾值和max_val以獲得不同的結果。

th=80
max_val=255
ret, o1 = cv2.threshold(gray_img_clahe, th, max_val, cv2.THRESH_BINARY)
cv2.putText(o1,"Thresh_Binary",(40,100),cv2.FONT_HERSHEY_SIMPLEX,2,(255,255,255),3,cv2.LINE_AA)
ret, o2 = cv2.threshold(gray_img_clahe, th, max_val, cv2.THRESH_BINARY_INV)
cv2.putText(o2,"Thresh_Binary_inv",(40,100),cv2.FONT_HERSHEY_SIMPLEX,2,(255,255,255),3,cv2.LINE_AA)
ret, o3 = cv2.threshold(gray_img_clahe, th, max_val, cv2.THRESH_TOZERO)
cv2.putText(o3,"Thresh_Tozero",(40,100),cv2.FONT_HERSHEY_SIMPLEX,2,(255,255,255),3,cv2.LINE_AA)
ret, o4 = cv2.threshold(gray_img_clahe, th, max_val, cv2.THRESH_TOZERO_INV)
cv2.putText(o4,"Thresh_Tozero_inv",(40,100),cv2.FONT_HERSHEY_SIMPLEX,2,(255,255,255),3,cv2.LINE_AA)
ret, o5 = cv2.threshold(gray_img_clahe, th, max_val, cv2.THRESH_TRUNC)
cv2.putText(o5,"Thresh_trunc",(40,100),cv2.FONT_HERSHEY_SIMPLEX,2,(255,255,255),3,cv2.LINE_AA)
ret ,o6=  cv2.threshold(gray_img_clahe, th, max_val,  cv2.THRESH_OTSU)
cv2.putText(o6,"Thresh_OSTU",(40,100),cv2.FONT_HERSHEY_SIMPLEX,2,(255,255,255),3,cv2.LINE_AA)

final=np.concatenate((o1,o2,o3),axis=1)
final1=np.concatenate((o4,o5,o6),axis=1)

cv2.imwrite("Image1.jpg",final)
cv2.imwrite("Image2.jpg",final1)

Thresh_Binary_inv，Thresh_Binary_inv，Thresh_Tozero

Thresh_Tozero_inv，Thresh_trunc，Thresh_OSTU

步驟9：自適應閾值

在上一節中，我們使用了全局閾值來應用cv2.threshold（）。如我們所見，由于圖像不同區域的照明條件不同，因此獲得的結果不是很好。在這些情況下，您可以嘗試自適應閾值化。在OpenCV中，自適應閾值處理由cv2.adapativeThreshold（）函數執行

此功能將自適應閾值應用于src陣列（8位單通道圖像）。maxValue參數設置dst圖像中滿足條件的像素的值。adaptiveMethod參數設置要使用的自適應閾值算法。

cv2.ADAPTIVE_THRESH_MEAN_C：將T（x，y）閾值計算為（x，y）的blockSize x blockSize鄰域的平均值減去C參數。
cv2.ADAPTIVE_THRESH_GAUSSIAN_C：將T（x，y）閾值計算為（x，y）的blockSize x blockSize鄰域的加權總和減去C參數。

blockSize參數設置用于計算像素閾值的鄰域的大小，它可以取值3、5、7等。

C參數只是從均值或加權均值中減去的常數（取決于adaptiveMethod參數設置的自適應方法）。通常，此值為正，但可以為零或負。

gray_image = cv2.imread('cylinder1.png',0)
gray_image1 = cv2.imread('cylinder.png',0)
thresh1 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
thresh2 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 31, 3)
thresh3 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 13, 5)
thresh4 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 4)
thresh11 = cv2.adaptiveThreshold(gray_image1, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
thresh21 = cv2.adaptiveThreshold(gray_image1, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 31, 5)
thresh31 = cv2.adaptiveThreshold(gray_image1, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21,5 )
thresh41 = cv2.adaptiveThreshold(gray_image1, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 5)

final=np.concatenate((thresh1,thresh2,thresh3,thresh4),axis=1)
final1=np.concatenate((thresh11,thresh21,thresh31,thresh41),axis=1)
cv2.imwrite('rect.jpg',final)
cv2.imwrite('rect1.jpg',final1)

自適應閾值

自適應閾值

步驟10：OTSU二值化

Otsu的二值化算法，在處理雙峰圖像時是一種很好的方法。雙峰圖像可以通過其包含兩個峰的直方圖來表征。Otsu的算法通過最大化兩類像素之間的方差來自動計算將兩個峰分開的最佳閾值。等效地，最佳閾值使組內差異最小化。Otsu的二值化算法是一種統計方法，因為它依賴于從直方圖得出的統計信息（例如，均值，方差或熵）

gray_image = cv2.imread('cylinder1.png',0)
gray_image1 = cv2.imread('cylinder.png',0)
ret,thresh1 = cv2.threshold(gray_image,0, 255,  cv2.THRESH_BINARY+cv2.THRESH_OTSU)
ret,thresh2 = cv2.threshold(gray_image1,0, 255,  cv2.THRESH_BINARY+cv2.THRESH_OTSU)

cv2.imwrite('rect.jpeg',np.concatenate((thresh1,thresh2),axis=1))

OTSU二值化

現在，我們已經從低對比度的圖像中清楚地識別出批號。