直方图均衡化对比度提升的量化评估方法咨询

实现代码 #

import cv2
import numpy as np
img = cv2.imread('original.png', cv2.IMREAD_GRAYSCALE)
assert img is not None, "file could not be read, check with os.path.exists()"
equ = cv2.equalizeHist(img)
res = np.hstack((img,equ)) #stacking images side-by-side
cv2.imshow("both image",res)
cv2.waitKey(0)
cv2.destroyAllWindows()

一、适合量化对比度提升的度量标准 #

有几种直接针对对比度和灰度分布的常用指标：

• 动态范围：计算图像灰度的最大值与最小值之差，均衡化后该值通常会显著增大，直观反映灰度拉伸的程度。
• 图像熵：衡量图像灰度分布的离散程度，熵越高代表灰度信息越分散。计算方式为对每个灰度级的出现概率p(i)，求和-sum(p(i)*log2(p(i)))，直方图均衡化后图像熵一般会提升。
• Michelson对比度：针对存在明显明暗区域的图像，公式为 (L_max - L_min)/(L_max + L_min)，其中L_max是亮区平均灰度，L_min是暗区平均灰度，均衡化后该值会增大。

二、量化均衡化前后的变化幅度 #

可以通过以下两种方式量化：

• 指标相对变化：计算上述指标（动态范围、熵、对比度）在均衡化前后的差值或比值，比如(均衡化后熵 - 原图像熵)/原图像熵，能直观反映相对提升幅度。
• 灰度统计差异：对比两幅图像的灰度方差，均衡化后图像的灰度方差会明显增大，因为灰度分布从集中变为分散。

三、计算两幅图像的平方差是否合理？ #

平方差（即MSE均方误差）不适合用来衡量对比度提升效果：

• MSE仅关注像素值的绝对差异，若均衡化后图像整体灰度偏移（比如整体变亮），MSE会增大，但这和对比度提升的核心（灰度分布分散）无关。
• 极端场景：若原图像是低对比度的均匀灰图，均衡化后灰度无变化，MSE为0；若均衡化后灰度分散但整体偏移大，MSE会很高，却不代表对比度提升更显著。

因此MSE只能作为辅助参考，不能单独用来量化对比度提升。

四、直方图分布差异的实现方法 #

通过量化两幅图像的直方图分布差异，可以间接反映均衡化的效果，以下是两种实用方法及代码实现：

1. 直方图相交 #

计算两个直方图的重叠面积，值越大说明分布越相似，均衡化后该值会变小。

import cv2
import numpy as np

def histogram_intersection(hist1, hist2):
    # 计算每个灰度级的最小取值并求和
    intersection = np.sum(np.minimum(hist1, hist2))
    # 归一化到[0,1]区间
    return intersection / np.sum(hist1)

# 计算原图像与均衡化图像的灰度直方图
hist_original = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_equ = cv2.calcHist([equ], [0], None, [256], [0, 256])

# 计算相交值
intersection_val = histogram_intersection(hist_original, hist_equ)
print(f"直方图相交值: {intersection_val:.4f}")

2. 卡方距离 #

衡量两个直方图的分布差异，值越大说明差异越显著，均衡化后该值会明显增大。

def chi_squared_distance(hist1, hist2):
    # 添加极小值避免除以0
    hist1 = hist1 + 1e-8
    hist2 = hist2 + 1e-8
    return 0.5 * np.sum(((hist1 - hist2)**2) / (hist1 + hist2))

# 计算卡方距离
chi_val = chi_squared_distance(hist_original, hist_equ)
print(f"卡方距离: {chi_val:.4f}")

实现步骤说明 #

1. 使用cv2.calcHist分别提取原图像和均衡化后图像的256维灰度直方图。
2. 选择上述一种差异度量方法计算数值：相交值越小、卡方距离越大，说明均衡化带来的直方图分布变化越明显，间接反映对比度提升的程度。

内容的提问来源于stack exchange，提问作者neural science