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

## Enkel histogramutjevning

Histogramutjevning er en teknikk som brukes for å **forbedre den globale kontrasten** i et bilde. Metoden fungerer ved å omfordele intensitetsverdiene slik at de dekker hele det mulige området (0 til 255 i 8-bits bilder). Dette er spesielt nyttig for bilder som er for mørke eller for lyse, da det gjør detaljer mer synlige ved å utjevne histogrammet for pikselintensiteter.

- `cv2.equalizeHist(image)`  
  - `image`: inngående gråtonebilde (må være enkeltkanals);
  - Returnerer et nytt bilde med forbedret kontrast ved å strekke og flate ut histogrammet.


## **Adaptiv histogramutjevning (CLAHE)**

CLAHE (Contrast Limited Adaptive Histogram Equalization) er en avansert versjon av histogramutjevning som opererer på små regioner (fliser) av bildet i stedet for hele bildet. Den forbedrer **lokal kontrast** og unngår å forsterke støy for mye ved å begrense histogramkontrasten innen hver flis.

- `cv2.createCLAHE(...)` oppretter et CLAHE-objekt med:
  - `clipLimit`: terskel for kontrastbegrensning (høyere verdi = mer kontrast);
  - `tileGridSize`: størrelse på rutenettet for å dele bildet inn i fliser (f.eks. 8x8).
- `clahe.apply(image)` bruker CLAHE på inngangsbildet.

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 introduksjon til datamaskinsyn, med fokus på maskinell persepsjon og tolkning av visuelle data. Dekker bilde-forbehandling, funksjonsekstraksjon, objektdeteksjon og dyp læring-teknikker brukt i moderne synssystemer.

Datamaskinsyn gjør det mulig for maskiner å tolke og analysere visuelle data, og etterligner menneskelig persepsjon. Denne delen dekker grunnleggende bilderepresentasjon, fargemodeller og matematiske grunnprinsipper som er essensielle for å forstå hvordan datamaskiner behandler bilder. Du vil utforske virkelige anvendelser, fra autonome kjøretøy til medisinsk bildediagnostikk, og lære hvordan datamaskinsyn integreres med KI og maskinlæring.

OpenCV er et kraftig bibliotek for bildebehandling og oppgaver innen datamaskinsyn. Denne delen dekker grunnleggende teknikker som bildefiltrering, transformasjoner, kantdeteksjon og segmentering. Du vil lære hvordan man utfører uskarphet, terskling, konturdeteksjon og funksjonsekstraksjon for å forbedre og analysere bilder effektivt.

CNN-er behandler visuelle data ved hjelp av konvolusjon, pooling og aktiveringslag for å trekke ut egenskaper til oppgaver som bildeklassifisering og objektdeteksjon. Viktige komponenter inkluderer padding, konvolusjon for egenskapsuttrekking, pooling for reduksjon av kompleksitet og aktivering for ikke-linearitet. Populære arkitekturer som AlexNet, VGG og ResNet driver KI innen helsevesen, autonomi og sikkerhet.

Objektdeteksjon er en grunnleggende oppgave innen datamaskinsyn som innebærer å identifisere og lokalisere objekter i et bilde. I motsetning til bildeklassifisering, som tilordner én enkelt etikett til et helt bilde, klassifiserer objektdeteksjon ikke bare objekter, men bestemmer også deres posisjoner ved hjelp av avgrensningsbokser. Denne delen dekker sentrale teknikker og algoritmer brukt i objektdeteksjon, fra tradisjonelle metoder til dyp læringsbaserte tilnærminger som YOLO og U-Net.

Datamaskinsyn har utviklet seg betydelig over tid, fra grunnleggende bildebehandlingsmetoder til avanserte dyp læring-teknikker. Denne delen tar for seg de nyeste innovasjonene innen datamaskinsyn, med fokus på overføringslæring, ansiktsgjenkjenning og bildegenerering. Vi utforsker fordelene med forhåndstrente modeller for ytelse, prinsippene bak ansiktsgjenkjenningsteknologi og hvordan KI skaper bilder gjennom dyp læring.

Histogramutjevning

Enkel histogramutjevning

Adaptiv histogramutjevning (CLAHE)

Løsning

Awesome!

Histogramutjevning

Enkel histogramutjevning

Adaptiv histogramutjevning (CLAHE)

Løsning