FPGA图像处理-CLAHE算法介绍(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 cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread(r'e:python_image_simpythonprojectsimimgfig0459(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-sidecv2.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 cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread(r'e:python_image_simpythonprojectsimimgreast_digital_xray.tif', 0)img = cv2.resize(img, (500, 500))equ = cv2.equalizehist(img)cla = cv2.createclahe(2, (5, 5))# cv2.ahecla = cla.apply(img)res = np.hstack((img, equ, cla))# res = np.hstack((img, equ))# stacking images side-by-sidecv2.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
北斗时代即将来临 你再也不用跟导航吵架了
机器人教育成为教育领域发展的必然趋势
[组图]稳压电源的质量指标
中国芯片设计企业如何在cmos图像传感器市场站住脚跟
网络传输介质的特点
FPGA图像处理-CLAHE算法介绍(一)
美国新规：鼓励清洁能源汽车和电池供应链回流
骨传导耳机音质怎么样？音质不错的骨传导耳机推荐
DTU知识普及丨替代”GPRS DTU”的产品
物流仓储、车辆管理的物联网解决方案
工业以太网如何提高网络的可扩展性
深刻认识全媒体时代的挑战和机遇！推动媒体融合向纵深发展
新唐科技W584A300主板介绍
直播预告｜雅特力AT32 MCU高效电机应用平台与解决方案
iPhone 13或如期发布：搭载新一代5nm处理器
英特尔十代酷睿桌面处理器首次用上超线程技术，或将2020年4月推出
BCC分裂后连跌 冲击价格新高地 比特币创新高突破2.2万
罗姆新增SiC和IGBT模型，可提供超3,500种LTspice®模型
力晶建12寸晶圆厂，半导体制造厂进驻铜锣园
DNA存储技术又有新突破
如下图就是经过直方图均衡化后的效果图。
import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread(r'e:python_image_simpythonprojectsimimgfig0459(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-sidecv2.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 cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread(r'e:python_image_simpythonprojectsimimgreast_digital_xray.tif', 0)img = cv2.resize(img, (500, 500))equ = cv2.equalizehist(img)cla = cv2.createclahe(2, (5, 5))# cv2.ahecla = cla.apply(img)res = np.hstack((img, equ, cla))# res = np.hstack((img, equ))# stacking images side-by-sidecv2.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
北斗时代即将来临 你再也不用跟导航吵架了
机器人教育成为教育领域发展的必然趋势
[组图]稳压电源的质量指标
中国芯片设计企业如何在cmos图像传感器市场站住脚跟
网络传输介质的特点
FPGA图像处理-CLAHE算法介绍(一)
美国新规：鼓励清洁能源汽车和电池供应链回流
骨传导耳机音质怎么样？音质不错的骨传导耳机推荐
DTU知识普及丨替代”GPRS DTU”的产品
物流仓储、车辆管理的物联网解决方案
工业以太网如何提高网络的可扩展性
深刻认识全媒体时代的挑战和机遇！推动媒体融合向纵深发展
新唐科技W584A300主板介绍
直播预告｜雅特力AT32 MCU高效电机应用平台与解决方案
iPhone 13或如期发布：搭载新一代5nm处理器
英特尔十代酷睿桌面处理器首次用上超线程技术，或将2020年4月推出
BCC分裂后连跌 冲击价格新高地 比特币创新高突破2.2万
罗姆新增SiC和IGBT模型，可提供超3,500种LTspice®模型
力晶建12寸晶圆厂，半导体制造厂进驻铜锣园
DNA存储技术又有新突破