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

## Eenvoudige histogram-equalisatie

Histogram-equalisatie is een techniek die wordt gebruikt om het **globale contrast** van een afbeelding te verbeteren. Het werkt door de intensiteitswaarden te herverdelen zodat ze het volledige mogelijke bereik beslaan (0 tot 255 bij 8-bits afbeeldingen). Dit is vooral nuttig voor afbeeldingen die te donker of te licht zijn, omdat het kenmerken beter zichtbaar maakt door het histogram van pixelintensiteiten te egaliseren.

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

- `cv2.equalizeHist(image)`  
  - `image`: invoer grijswaardenafbeelding (moet enkelkanaals zijn);
  - Geeft een nieuwe afbeelding terug met verbeterd contrast door het histogram uit te rekken en af te vlakken.

Deze methode is globaal - het verbetert het contrast van de gehele afbeelding uniform, wat kan leiden tot overmatige verbetering in sommige gebieden en verlies van details in andere.

Opmerking


## Adaptieve Histogram Equalisatie (CLAHE)

CLAHE (Contrast Limited Adaptive Histogram Equalization) is een geavanceerde versie van histogram equalizatie die werkt op kleine regio's (tegels) van het beeld in plaats van het gehele beeld. Het verbetert de **lokale contrasten** en voorkomt het overmatig versterken van ruis door het histogramcontrast binnen elke tegel te beperken.

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

- `cv2.createCLAHE(...)` maakt een CLAHE-object met:
  - `clipLimit`: drempel voor contrastbeperking (hogere waarde = meer contrast);
  - `tileGridSize`: grootte van het raster voor het verdelen van het beeld in tegels (bijv. 8x8).
- `clahe.apply(image)` past CLAHE toe op het invoerbeeld.

CLAHE is bijzonder effectief bij beelden met wisselende lichtomstandigheden of wanneer het behouden van lokale details belangrijk is, zoals bij medische beeldvorming of fotografie bij weinig licht.

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

Verdiep je in computer vision door het beheersen van convolutionele neurale netwerken (CNN's) met TensorFlow en Keras. Deze gevorderde cursus behandelt essentiële concepten en praktische vaardigheden, waaronder beeldvoorbewerking, convolutie- en poolingoperaties, het opbouwen en trainen van CNN-architecturen, het implementeren van objectdetectie en het toepassen van transfer learning om visuele uitdagingen uit de praktijk aan te pakken. Doe praktijkervaring op met het oplossen van complexe vision-problemen met behulp van industriestandaard tools en technieken.

Histogram Equalisatie

Eenvoudige histogram-equalisatie

Adaptieve Histogram Equalisatie (CLAHE)

Oplossing