OpenCV对比度增强

1.1. 为什么需要对比度增强？

对比度是图像中明暗区域之间的差异程度。高对比度的图像具有更鲜明的明暗区域，视觉效果更清晰，细节更突出。对比度增强的主要目的包括：

提高可视性：增强图像的对比度可以使图像更易于识别和理解。改善图像质量：在光照不足或图像质量较差的情况下，对比度增强可以提升图像的细节和层次感。辅助计算机视觉任务：对比度增强可以帮助提取图像特征，例如边缘和纹理，从而提升目标检测和分析的效果。 1.2. 对比度增强的原理是什么？

对比度增强的原理是通过调整图像中像素的亮度值，使图像的明暗差异更加明显。常见的方法包括：

线性变换：通过线性函数调整像素值，将图像的灰度范围拉伸到更宽的区间。直方图均衡化：通过重新分布图像的灰度值，使直方图更加均匀，从而增强对比度。自适应直方图均衡化（AHE）：将图像划分为多个小区域，分别对每个区域进行直方图均衡化，以增强局部对比度。限制对比度自适应直方图均衡化（CLAHE）：在AHE的基础上限制对比度增强幅度，避免噪声放大。 1.3. 在 OpenCV 中如何实现对比度增强？注意事项是什么？ 1.3.1. 实现方法 线性对比度拉伸 使用 cv2.convertScaleAbs() 函数，通过调整对比度系数（alpha）和亮度偏移量（beta）来增强对比度。 alpha：对比度系数，控制图像的对比度。 默认值为 1.0。增大 alpha：对比度增强，图像的明暗差异更明显。减小 alpha：对比度减弱，图像的明暗差异变小。 beta：亮度偏移量，控制图像的整体亮度。 默认值为 0。增大 beta：图像整体变亮。减小 beta：图像整体变暗。 import cv2 img = cv2.imread('image.jpg') enhanced_img = cv2.convertScaleAbs(img, alpha=1.5, beta=0) cv2.imshow('Enhanced Image', enhanced_img) cv2.waitKey(0)

测试一下各参数对结果的影响：在网上照一张医学影像来测试一下

def showImgs(imgs_and_titles): """ 显示图片对比函数。 参数: imgs_and_titles: 一个包含二元组的列表，每个二元组包含 (图片, 标题)。 """ # 每行最多显示 4 张图片 num_cols = 4 num_rows = (len(imgs_and_titles) + num_cols - 1) // num_cols # 计算需要的行数 # 创建一个足够大的画布 fig, axes = plt.subplots(num_rows, num_cols, figsize=(15, 5 * num_rows)) # 如果只有一行，axes 不是二维数组，需要处理这种情况 if num_rows == 1: axes = [axes] # 将 axes 转换为二维数组 # 遍历所有图片和标题 for idx, (img, title) in enumerate(imgs_and_titles): row = idx // num_cols col = idx % num_cols ax = axes[row][col] # 显示图片 ax.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) # 转换为 RGB 格式 ax.set_title(title) # 设置标题 ax.axis("off") # 关闭坐标轴 # 隐藏剩余的空白子图 for idx in range(len(imgs_and_titles), num_rows * num_cols): row = idx // num_cols col = idx % num_cols axes[row][col].axis("off") plt.tight_layout() # 自动调整子图间距 plt.show() def TestEnhanced(): img = cv2.imread("heart.png", 0) imgs = [(img, "Original Image")] alpha_betas = [ # 低对比度组 (0.1, 0.1), # 极低对比度， (0.3, 0.1), # 低对比度， (0.5, 0.1), # 较低对比度， # 高对比度组 (1.2, 0.1), # 中等对比度， (1.6, 0.1), # 较高对比度， (2.0, 0.1), # 高对比度， # 亮度调整组 (1.0, -50), # 原始对比度，较暗 (1.0, -20), # 原始对比度，稍暗 (1.0, 0), # 原始对比度，无亮度调整 (1.0, 20), # 原始对比度，稍亮 (1.0, 50), # 原始对比度，较亮 ] for alpha, beta in alpha_betas: curEnhanced_img = cv2.convertScaleAbs(img, alpha=alpha, beta=beta) imgs.append((curEnhanced_img, f"curEnhanced_img alpa={alpha} beta={beta}")) cvTest.showImgs(imgs)

可以看到增强对比度确实可以提高图像细节，位置（2,3）增强对比度的结果与（3,4）增加亮度的结果，还是对比度增强效果要好一些，大家也可以试试其他参数。

直方图均衡化 使用 cv2.equalizeHist() 函数对灰度图像进行直方图均衡化。 输入图像必须是灰度图像： cv2.equalizeHist() 函数仅适用于单通道的灰度图像。如果输入的是彩色图像，需要先将其转换为灰度图像。 特别适用于图像的灰度值集中在某个较窄的范围内时。可能的缺陷 细节丢失：直方图均衡化是全局操作，可能会导致某些局部细节丢失，尤其是在图像的亮部和暗部。过度增强：在某些情况下，直方图均衡化可能会使图像的某些部分过度增强，导致视觉效果不佳。 替代方法：如果需要更好地保留局部细节，可以使用自适应直方图均衡化（CLAHE），CLAHE 将图像划分为多个小块，分别对每个块进行直方图均衡化，从而避免全局均衡化的缺陷。 def TestContrast(): image = cv2.imread("heart.png", 0) # 读取灰度图 # enhanced_img = cv2.convertScaleAbs(image, alpha=1.5, beta=0.1) # 线性对比度拉升 equalized_img = cv2.equalizeHist(image) # 直方图均衡化 # clahe = cv2.createCLAHE(clipLimit=20.0, tileGridSize=(4, 4)) # clahe_img = clahe.apply(image) # 自适应直方图均衡化 images = [ (image, "Original Image"), # (enhanced_img, "enhanced_img"), (equalized_img, "equalized_img"), # (clahe_img, "clahe_img"), ] cvTest.showImgs(images)

可以看到：整体的亮度增加了，亮和暗的细节也有部分丢失

CLAHE（限制对比度自适应直方图均衡化） 使用 cv2.createCLAHE() 创建CLAHE对象，并应用到图像上，关键参数如下： clipLimit 参数 作用：clipLimit 是对比度限制阈值，用于控制局部对比度增强的程度。影响： 较小值（如 1.0-2.0）：限制对比度增强的幅度，避免噪声放大。适用于需要保留细节的图像，但可能会导致对比度增强不够明显。较大值（如 40.0）：允许更强的对比度增强，但可能会放大噪声，导致图像细节丢失。 选择方法：通常建议从较小值（如 2.0）开始尝试，逐步增加以观察对比度增强的效果，同时注意避免噪声放大。 tileGridSize 参数 作用：tileGridSize 定义了图像被划分为小块的大小（以网格形式表示），决定了局部均衡化的粒度。影响： 较小值（如 (4, 4)）：图像被划分为更多小块，局部对比度增强更精细，细节更明显，但可能会出现边界伪影。较大值（如 (16, 16)）：图像被划分为较少的大块，局部对比度增强更平滑，但细节保留较少。 选择方法：通常建议从 (8, 8) 开始尝试，根据图像的大小和细节需求进行调整。 如何选择这两个参数？

        根据图像类型选择参数：

医学图像或卫星图像：需要保留细节，建议使用较小的 clipLimit（如 2.0）和适中的 tileGridSize（如 (8, 8)）。低对比度图像：可以尝试较大的 clipLimit 和较小的 tileGridSize，以增强对比度。

        实验调整：

通过多次实验，观察不同参数组合对图像的影响，找到最适合当前图像的设置。

        避免噪声放大：

在增强对比度的同时，注意观察图像中是否有噪声放大现象，适当调整 clipLimit。 import cv2 img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE) clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) clahe_img = clahe.apply(img) cv2.imshow('CLAHE Image', clahe_img) cv2.waitKey(0)

我们来验证一下同样的tileGridSize 下clipLimit 逐渐增强的效果

def TestCLAHE(): image_path = "heart.png" img = cv2.imread(image_path, 0) if img is None: raise FileNotFoundError(f"图像文件未找到：{image_path}") imgs = [(img, "Original Image")] clahe_params_clipLimitUp = [ {"clipLimit": 1.0, "tileGridSize": (4, 4), "title": "CLAHE (1.0, 4x4)"}, {"clipLimit": 2.0, "tileGridSize": (4, 4), "title": "CLAHE (2.0, 4x4)"}, {"clipLimit": 40, "tileGridSize": (4, 4), "title": "CLAHE (40, 4x4)"}, ] for param in clahe_params_clipLimitUp: clahe = cv2.createCLAHE( clipLimit=param["clipLimit"], tileGridSize=param["tileGridSize"] ) clahe_img = clahe.apply(img) # 自适应直方图均衡化 imgs.append((clahe_img, param["title"])) cvTest.showImgs(imgs)

可以看到，越来越亮，但是噪声也同样放大了，特别是到40的时候噪声更明显

我们再对比一下同样的clipLimit 下，tileGridSize 增强的结果：

def TestCLAHE(): image_path = "heart.png" img = cv2.imread(image_path, 0) if img is None: raise FileNotFoundError(f"图像文件未找到：{image_path}") imgs = [(img, "Original Image")] clahe_params_tileGridSizeUp = [ {"clipLimit": 2.0, "tileGridSize": (4, 4), "title": "CLAHE (1.0, 4x4)"}, {"clipLimit": 2.0, "tileGridSize": (8, 8), "title": "CLAHE (1.0, 8x8)"}, {"clipLimit": 2.0, "tileGridSize": (16, 16), "title": "CLAHE (1.0, 16x16)"}, ] for param in clahe_params_tileGridSizeUp: clahe = cv2.createCLAHE( clipLimit=param["clipLimit"], tileGridSize=param["tileGridSize"] ) clahe_img = clahe.apply(img) # 自适应直方图均衡化 imgs.append((clahe_img, param["title"])) cvTest.showImgs(imgs)

可以看到划分块的尺寸越小，细节效果越好，尺寸越大的，肉眼可见感觉噪声较大

这种医学图像需要保留较多的细节建议使用较小的 clipLimit（如 2.0）和适中的 tileGridSize（如 (8, 8)）。

1.4. 注意事项 参数选择：对比度增强系数（如 alpha）和直方图均衡化的参数（如 clipLimit）需要根据具体图像调整，避免过度增强或欠增强。图像类型：直方图均衡化适用于灰度图像，对于彩色图像需要分别对每个通道进行处理。噪声问题：AHE和CLAHE可能会放大图像噪声，特别是在均匀区域，需要谨慎使用。