Summary  
This chapter demonstrates how to implement global histogram equalization using cv2.equalizeHist to stretch and flatten intensity distributions, and how to apply Contrast Limited Adaptive Histogram Equalization (CLAHE) via cv2.createCLAHE and apply to enhance local contrast while limiting noise amplification.

General domain of usage  
Image processing

## Simpel histogramudjævning

Histogramudjævning er en teknik, der bruges til at **forbedre det globale kontrastforhold** 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 detaljer mere synlige ved at udjævne histogrammet for pixelintensiteter.

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


## **Adaptiv histogramudjævning (CLAHE)**

CLAHE (Contrast Limited Adaptive Histogram Equalization) er en avanceret version af histogramudjævning, der arbejder på små områder (tiles) af billedet i stedet for hele billedet. Den forbedrer **lokal kontrast** og undgår at forstærke støj for meget ved at begrænse histogramkontrasten inden for hvert område.

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

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

Omfattende introduktion til computer vision med fokus på maskinopfattelse og fortolkning af visuelle data. Dækker billedforbehandling, feature-ekstraktion, objektdetektion og dybdelæringsteknikker anvendt i moderne visionssystemer.

Computer vision gør det muligt for maskiner at fortolke og analysere visuelle data ved at efterligne menneskelig perception. Dette afsnit dækker grundlæggende billedrepræsentation, farvemodeller og matematiske fundamenter, der er essentielle for at forstå, hvordan computere behandler billeder. Du vil udforske virkelige anvendelser, fra autonome køretøjer til medicinsk billedbehandling, og se, hvordan computer vision integreres med AI og maskinlæring.

OpenCV er et kraftfuldt bibliotek til billedmanipulation og computer vision-opgaver. Dette afsnit dækker essentielle teknikker såsom billedfiltrering, transformationer, kantdetektion og segmentering. Du lærer at udføre sløring, tærskling, konturdetektion og feature-ekstraktion for effektivt at forbedre og analysere billeder.

CNN'er behandler visuelle data ved hjælp af konvolution, pooling og aktiveringslag for at udtrække funktioner til opgaver som billedklassificering og objektdetektion. Centrale komponenter omfatter padding, konvolution til feature-ekstraktion, pooling til reduktion af kompleksitet og aktivering for ikke-linearitet. Populære arkitekturer som AlexNet, VGG og ResNet driver AI inden for sundhedspleje, autonomi og sikkerhed.

Objektdetektion er en grundlæggende opgave inden for computer vision, der omfatter identifikation og lokalisering af objekter i et billede. I modsætning til billedklassificering, som tildeler en enkelt etiket til et helt billede, klassificerer objektdetektion ikke kun objekter, men bestemmer også deres positioner ved hjælp af afgrænsningsbokse. Dette afsnit dækker centrale teknikker og algoritmer anvendt i objektdetektion, fra traditionelle metoder til dybdelæringsbaserede tilgange som YOLO og U-Net.

Computervision har udviklet sig markant gennem årene, fra grundlæggende billedbehandlingsmetoder til avancerede dybdelæringsteknikker. Dette afsnit undersøger de nyeste innovationer inden for computervision med fokus på transfer learning, ansigtsgenkendelse og billedgenerering. Vi udforsker fordelene ved prætrænede modeller for ydeevne, principperne bag ansigtsgenkendelsesteknologi samt hvordan AI skaber billeder gennem dyb læring.

Histogramudjævning

Simpel histogramudjævning

Adaptiv histogramudjævning (CLAHE)

Løsning

Awesome!

Histogramudjævning

Simpel histogramudjævning

Adaptiv histogramudjævning (CLAHE)

Løsning