Summary  
This chapter explains how to enhance the contrast of grayscale images by redistributing pixel intensity values using global histogram equalization and local contrast-limited adaptive histogram equalization (CLAHE).

General domain of usage  
Image processing

## Simpel histogramudligning

Histogramudligning er en teknik, der bruges til at **forbedre det globale kontrastniveau** i et billede. Metoden fungerer ved at omfordele intensitetsværdierne, så de spænder over hele det mulige interval (0 til 255 i 8-bit billeder). Dette er især nyttigt for billeder, der er for mørke eller for lyse, da det gør træk mere synlige ved at udligne histogrammet for pixelintensiteter.

```
equalized = cv2.equalizeHist(image)
```

- `cv2.equalizeHist(image)`  
  - `image`: input gråtonebillede (skal være enkeltkanal);
  - Returnerer et nyt billede med forbedret kontrast ved at strække og udjævne histogrammet.

Denne metode er global – den forbedrer kontrasten i hele billedet ensartet, hvilket kan føre til overforstærkning i nogle områder og tab af detaljer i andre.

Bemærk


## Adaptiv histogramudjævning (CLAHE)

CLAHE (Contrast Limited Adaptive Histogram Equalization) er en avanceret version af histogramudjævning, der arbejder på små områder (fliser) af billedet i stedet for hele billedet. Det forbedrer **lokal kontrast** og undgår overforstærkning af støj ved at begrænse histogramkontrasten inden for hver flise.

```
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
clahe_equalized = clahe.apply(image)
```

- `cv2.createCLAHE(...)` opretter et CLAHE-objekt med:
  - `clipLimit`: tærskel for kontrastbegrænsning (højere værdi = mere kontrast);
  - `tileGridSize`: størrelsen på gitteret til opdeling af billedet i fliser (f.eks. 8x8).
- `clahe.apply(image)` anvender CLAHE på inputbilledet.

CLAHE er særligt effektiv ved billeder med varierende lysforhold eller hvor bevaring af lokale detaljer er vigtig, såsom medicinsk billedbehandling eller fotografering i svagt lys.

import unittest
import numpy as np
import importlib

def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)

class TestHistogramEqualization(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        global user_code
        user_code = importlib.import_module("user_code")

    def test_equalized_shape_and_type(self):
        original_shape = user_code.image.shape
        arr = getattr(user_code, "equalized", None)
        _dynamic_test(
            self,
            isinstance(arr, np.ndarray) and arr.shape == original_shape,
            "Equalized image is a NumPy array with correct shape.",
            f"The variable `equalized` should be a NumPy array with shape {original_shape}."
        )

    def test_clahe_equalized_shape_and_type(self):
        original_shape = user_code.image.shape
        arr = getattr(user_code, "clahe_equalized", None)
        _dynamic_test(
            self,
            isinstance(arr, np.ndarray) and arr.shape == original_shape,
            "CLAHE equalized image is a NumPy array with correct shape.",
            f"The variable `clahe_equalized` should be a NumPy array with shape {original_shape}."
        )

    def test_equalized_histogram_change(self):
        original_hist = np.histogram(user_code.image.ravel(), bins=256)[0]
        equalized = getattr(user_code, "equalized", None)
        eq_hist = np.histogram(equalized.ravel(), bins=256)[0] if isinstance(equalized, np.ndarray) else original_hist
        _dynamic_test(
            self,
            isinstance(equalized, np.ndarray) and not np.array_equal(original_hist, eq_hist),
            "Equalized image histogram differs from original.",
            "The variable `equalized` should be a NumPy array with a changed histogram."
        )

    def test_clahe_histogram_change(self):
        original_hist = np.histogram(user_code.image.ravel(), bins=256)[0]
        clahe = getattr(user_code, "clahe_equalized", None)
        clahe_hist = np.histogram(clahe.ravel(), bins=256)[0] if isinstance(clahe, np.ndarray) else original_hist
        _dynamic_test(
            self,
            isinstance(clahe, np.ndarray) and not np.array_equal(original_hist, clahe_hist),
            "CLAHE equalized image histogram differs from original.",
            "The variable `clahe_equalized` should be a NumPy array with a changed histogram."
        )

if __name__ == "__main__":
    unittest.main()


test_code.py

Dyk dybt ned i computer vision ved at mestre convolutional neural networks (CNN) med TensorFlow og Keras. Dette avancerede kursus dækker essentielle begreber og praktiske færdigheder, herunder billedforbehandling, convolution- og pooling-operationer, opbygning og træning af CNN-arkitekturer, implementering af objektgenkendelse samt anvendelse af transfer learning til at løse virkelige visuelle udfordringer. Opnå praktisk erfaring med at løse komplekse vision-problemer ved hjælp af branchestandardværktøjer og -teknikker.

Histogramudligning

Simpel histogramudligning

Adaptiv histogramudjævning (CLAHE)

Løsning