Summary  
This chapter shows how to implement code for histogram equalization to enhance image contrast by redistributing pixel intensities globally and locally using adaptive (CLAHE) methods to limit noise amplification.

General domain of usage  
Digital image processing

## Yksinkertainen histogrammin tasoitus

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

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

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

Tämä menetelmä on globaali – se parantaa koko kuvan kontrastia tasaisesti, mikä voi johtaa joidenkin alueiden liialliseen korostumiseen ja yksityiskohtien menetykseen toisissa.

Huomio


## **Adaptiivinen histogrammin tasoitus (CLAHE)**

CLAHE (Contrast Limited Adaptive Histogram Equalization) on kehittyneempi histogrammin tasoituksen muoto, joka toimii pienissä alueissa (laatoissa) koko kuvan sijaan. Parantaa **paikallista kontrastia** ja estää kohinan liiallisen korostumisen rajoittamalla histogrammin kontrastia jokaisessa laatassa.

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

- `cv2.createCLAHE(...)` luo CLAHE-olion, jossa:
  - `clipLimit`: kontrastin rajoituksen kynnysarvo (suurempi arvo = enemmän kontrastia);
  - `tileGridSize`: ruudukon koko, jolla kuva jaetaan laatoiksi (esim. 8x8).
- `clahe.apply(image)` soveltaa CLAHE:n syötekuvaan.

CLAHE on erityisen tehokas kuvissa, joissa valaistus vaihtelee tai paikallisten yksityiskohtien säilyttäminen on tärkeää, kuten lääketieteellisissä kuvissa tai hämäräkuvauksessa.

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

Kattava johdatus tietokonenäköön, keskittyen koneelliseen havainnointiin ja visuaalisen datan tulkintaan. Kattaa kuvien esikäsittelyn, piirteiden poiminnan, objektien tunnistuksen sekä syväoppimistekniikat, joita käytetään nykyaikaisissa näköjärjestelmissä.

Konenäkö mahdollistaa koneiden tulkita ja analysoida visuaalista dataa, jäljitellen ihmisen havainnointia. Tässä osiossa käsitellään kuvan esitystapojen, väritilojen ja matemaattisten perusteiden perusteita, jotka ovat olennaisia kuvankäsittelyn ymmärtämiseksi. Tutustut käytännön sovelluksiin, kuten autonomisiin ajoneuvoihin ja lääketieteelliseen kuvantamiseen, sekä siihen, miten konenäkö yhdistyy tekoälyyn ja koneoppimiseen.

OpenCV on tehokas kirjasto kuvankäsittelyyn ja konenäön tehtäviin. Tässä osiossa käsitellään keskeisiä tekniikoita, kuten kuvien suodatus, muunnokset, reunojen tunnistus ja segmentointi. Opit suorittamaan kuvan sumentamista, kynnysarvotusta, ääriviivojen tunnistusta ja piirteiden poimintaa kuvien parantamiseksi ja analysoimiseksi tehokkaasti.

CNN:t käsittelevät visuaalista dataa konvoluutio-, poolaus- ja aktivointikerrosten avulla piirteiden erottamiseksi tehtäviin, kuten kuvien luokitteluun ja objektien tunnistukseen. Keskeisiä osia ovat täydennys, konvoluutio piirteiden erottamiseen, poolaus monimutkaisuuden vähentämiseen ja aktivointi epälineaarisuuden tuottamiseen. Suositut arkkitehtuurit, kuten AlexNet, VGG ja ResNet, mahdollistavat tekoälyn käytön terveydenhuollossa, autonomiassa ja turvallisuudessa.

Esineentunnistus on tietokonenäön keskeinen tehtävä, jossa tunnistetaan ja paikannetaan esineitä kuvassa. Toisin kuin kuvien luokittelu, jossa koko kuvalle annetaan yksi luokka, esineentunnistus sekä luokittelee esineet että määrittää niiden sijainnit rajaavien laatikoiden avulla. Tässä osiossa käsitellään esineentunnistuksen keskeisiä tekniikoita ja algoritmeja, perinteisistä menetelmistä syväoppimiseen perustuviin lähestymistapoihin, kuten YOLO ja U-Net.

Konenäkö on kehittynyt merkittävästi vuosien varrella, siirtyen peruskuvankäsittelymenetelmistä monimutkaisiin syväoppimistekniikoihin. Tämä osio käsittelee konenäön viimeisimpiä innovaatioita, keskittyen siirto-oppimiseen, kasvojentunnistukseen ja kuvien generointiin. Tarkastelemme esikoulutettujen mallien vaikutusta suorituskykyyn, kasvojentunnistusteknologian periaatteita sekä tapoja, joilla tekoäly luo kuvia syväoppimisen avulla.

Histogrammin Tasoitus

Yksinkertainen histogrammin tasoitus

Adaptiivinen histogrammin tasoitus (CLAHE)

Ratkaisu