Ajuste de contraste

El ajuste de contraste es una operación por la cual se desea ensanchar el rango dinámico de una imagen de tal forma que las características que la componen sean mas fáciles de percibir para el observador.

Existen múltiples estrategias para ajustar el contraste de una imagen, sin embargo, una de las más comunes consiste en emplear el histograma de la imagen para expandir el rango de valores que emplea una imagen para presentarse.

Un ejemplo de esta operación puede observarse a continuación:

Imagen con bajo contraste

Imagen resultado

Histograma de la imagen de bajo contraste

Histograma de la imagen resultado

Para realizar esta operación solo es necesario generar la siguiente serie de pasos secuenciales:

Obtener el histograma de la imagen original
Obtener la función de probabilidad del histograma (suma acumulada normalizada del histograma)
Mediante un criterio, determinar un punto de expansión inicial y uno final (usualmente se considera 0.05 y 0.95 en la función de probabilidad)
Emplear la formula 4.32 para cada pixel de la imagen

SI p<l ENTONCES p=l

SI p>u ENTONCES p=u

p = (p-l)*(255-0)/(u-l)

Un ejemplo de dicha implementación se muestra para Python en el siguiente script

Script empleado en el ejemplo:

import cv2

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

def main():

# Se carga la imagen dañada

imagen = cv2.imread('Trolley damaged.png', 0)

# Se muestra la imagen dañada

plt.figure(dpi=300)

plt.tight_layout()

plt.axis('off')

plt.imshow(imagen, 'Greys_r', vmin=0, vmax=255)

plt.show()

# Se obtiene el histograma

hist = obtener_frecuencias_de_intensidad(imagen)

# Se plotea el histograma de la imagen dañada

sns.set_theme(style= 'darkgrid' )

plt.figure(figsize=(8, 6), dpi=300)

plt.stem(*hist)

plt.tight_layout()

plt.savefig('Histograma imagen dañada.png', dpi=300, bbox_inches='tight')

plt.show()

# Se obtine la funcion de probabilidad (histograma acumulado y normalizado)

fp = hist[1].cumsum()

fp = fp/fp[-1]

# Se plotea la funcion de probabilidad de la imagen da

plt.figure(figsize=(8, 6), dpi=300)

plt.plot(hist[0], fp)

plt.tight_layout()

plt.show()

# Se obtiene un punto de corte alto y uno bajo que conserve el n 90% de

# la informacion de la imagen

il = np.where(fp < 0.05)[0]

il = il[-1] + 1

print(il)

iu = np.where(fp > 0.95)[0]

iu = iu[0] - 1

# Se aplica la formula 4.32 a cada elemento de la imagen

resultado = imagen

i = np.where(resultado<il)

resultado[i]=il

i = np.where(resultado>iu)

resultado[i]=iu

resultado = (resultado-il)*((255-0)/(iu-il))

resultado = np.round(resultado).astype(int)

# Se muestra la imagen reparada

plt.figure(dpi=300)

plt.tight_layout()

plt.axis('off')

plt.imshow(resultado, 'Greys_r', vmin=0, vmax=255)

plt.show()

cv2.imwrite('Imagen reparada.png', resultado)

# Se obtiene el histograma de la imagen reparada

hist = obtener_frecuencias_de_intensidad(resultado)

# Se plotea el histograma de la imagen reparada

sns.set_theme(style= 'darkgrid' )

plt.figure(figsize=(8, 6), dpi=300)

plt.stem(*hist)

plt.tight_layout()

plt.savefig('Histograma imagen reparada.png', dpi=300, bbox_inches='tight')

plt.show()

def obtener_frecuencias_de_intensidad(imagen, bits=8):

# Se obtiene la cantidad de apariciones de cada valor

valores, frecuencias = np.unique(imagen, return_counts=True)

# Se genera un arreglo con los pares de valores y su frecuencia

conteo = np.zeros((2, 2**bits))

conteo[0] = np.arange(2**bits)

conteo = np.transpose(conteo).astype(int)

conteo[valores, 1] = frecuencias

conteo = np.transpose(conteo)

return conteo

if __name__=='__main__':

main()