Histogrammin Tasoitus

Yksinkertainen histogrammin tasoitus

Histogrammin tasoitus on tekniikka, jota käytetään kuvan globaalin kontrastin parantamiseen. Se toimii jakamalla intensiteettiarvot uudelleen niin, että ne kattavat koko mahdollisen alueen (0–255 8-bittisissä kuvissa). Tämä on erityisen hyödyllistä kuville, jotka ovat liian tummia tai liian kirkkaita, sillä se tekee piirteistä näkyvämpiä tasoittamalla pikselien intensiteettien histogrammin.

cv2.equalizeHist(image)
- image: syöteharmaasävykuva (täytyy olla yksikanavainen);
- Palauttaa uuden kuvan, jossa kontrastia on parannettu venyttämällä ja tasoittamalla histogrammia.

Adaptiivinen histogrammin tasoitus (CLAHE)

CLAHE (Contrast Limited Adaptive Histogram Equalization) on kehittynyt versio histogrammin tasoituksesta, joka toimii kuvan pienillä alueilla (laatoilla) koko kuvan sijaan. Se parantaa paikallista kontrastia ja estää kohinan liiallisen korostumisen rajoittamalla histogrammin kontrastia jokaisessa laatassa.

cv2.createCLAHE(...) luo CLAHE-olion seuraavilla parametreilla:
- clipLimit: kontrastin rajoituksen kynnysarvo (suurempi arvo = enemmän kontrastia);
- tileGridSize: ruudukon koko, jolla kuva jaetaan pienempiin osiin (esim. 8x8).
clahe.apply(image) soveltaa CLAHE-menetelmää syötekuvaan.

Tehtävä

Swipe to start coding

Sinulle on annettu image-muuttuja:

Käytä yksinkertaista histogrammin tasoitusta ja tallenna tulos muuttujaan equalized;
Määrittele CLAHE-luokan olio muuttujaan clahe;
Käytä CLAHE-histogrammin tasoitusta ja tallenna tulos muuttujaan clahe_equalized (suositellut parametrit: clipLimit=2.0 ja tileGridSize=(8, 8)).

Ratkaisu

import io

import cv2

import numpy as np

import urllib.request

from PIL import Image

import matplotlib.pyplot as plt

url = "https://content-media-cdn.codefinity.com/courses/ef049f7b-ce21-45be-a9f2-5103360b0655/task_pictures/stone_head.png"

with urllib.request.urlopen(url) as response:

image_data = response.read()

image = np.array(Image.open(io.BytesIO(image_data)))

image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Apply histogram equalization

equalized = cv2.equalizeHist(image)

# CLAHE equalization

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))

clahe_equalized = clahe.apply(image) # Apply CLAHE

# Show results

plt.figure(figsize=(15, 10))

# Original Image

plt.subplot(3, 2, 1)

plt.imshow(image, cmap="gray")

plt.title("Original Image")

plt.axis("off")

# Simaple Equalized Image

plt.subplot(3, 2, 3)

plt.imshow(equalized, cmap="gray")

plt.title("Equalized Image")

plt.axis("off")

# CLAHE Equalized Image

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 5

single

import io

import cv2

import numpy as np

import urllib.request

from PIL import Image

import matplotlib.pyplot as plt

url = "https://content-media-cdn.codefinity.com/courses/ef049f7b-ce21-45be-a9f2-5103360b0655/task_pictures/stone_head.png"

with urllib.request.urlopen(url) as response:

image_data = response.read()

image = np.array(Image.open(io.BytesIO(image_data)))

image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

equalized = ___

clahe = ___

clahe_equalized = ___

# Display the results

plt.figure(figsize=(15, 10))

plt.subplot(3, 2, 1)

plt.imshow(image, cmap="gray")

plt.title("Original Image")

plt.axis("off")

plt.subplot(3, 2, 3)

plt.imshow(equalized, cmap="gray")

plt.title("Equalized Image")

plt.axis("off")

plt.subplot(3, 2, 5)

plt.imshow(clahe_equalized, cmap="gray")

plt.title("CLAHE Equalized Image")

plt.axis("off")

plt.subplot(3, 2, 2)

plt.hist(image.ravel(), bins=255, color="red")

plt.title("Original Histogram")

plt.subplot(3, 2, 4)

plt.hist(equalized.ravel(), bins=255, color="green")

plt.title("Equalized Histogram")

plt.subplot(3, 2, 6)

plt.hist(clahe_equalized.ravel(), bins=255, color="blue")

plt.title("Equalized Histogram")

plt.tight_layout()

plt.show()

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme