如何為圖像生成直方圖,如何使直方圖相等,最后如何將圖像直方圖修改為與其他直方圖相似。
01. 什么是圖像直方圖?
在開始定義直方圖之前,為簡單起見我們先使用灰度圖像,稍后再解釋彩色圖像的處理過程。
圖像直方圖表示圖像的像素分布情況。換言之,圖像直方圖顯示具有特定像素值的圖像點數(shù)量。例如,假設正常圖像的像素強度在0到255之間變化。為了生成其直方圖,我們只需要計算像素值為0的像素數(shù)量,然后計算1并繼續(xù)到255即可。在圖1中,我們有一個5 * 5的樣本圖像,我們通過計算每個像素強度的數(shù)量來創(chuàng)建直方圖表。
圖1:生成圖像直方圖的過程
02. 如何生成圖像直方圖?
在python中,我們可以使用以下兩個函數(shù)來創(chuàng)建然后顯示圖像的直方圖。
import matplotlib.pyplot as plt
import numpy as np
def generate_histogram(img, do_print):
"""
@params: img: can be a grayscale or color image. We calculate the Normalized histogram of this image.
@params: do_print: if or not print the result histogram
@return: will return both histogram and the grayscale image
"""
if len(img.shape) == 3: # img is colorful, so we convert it to grayscale
gr_img = np.mean(img, axis=-1)
else:
gr_img = img
'''now we calc grayscale histogram'''
gr_hist = np.zeros([256])
for x_pixel in range(gr_img.shape[0]):
for y_pixel in range(gr_img.shape[1]):
pixel_value = int(gr_img[x_pixel, y_pixel])
gr_hist[pixel_value] += 1
'''normalizing the Histogram'''
gr_hist /= (gr_img.shape[0] * gr_img.shape[1])
if do_print:
print_histogram(gr_hist, name="n_h_img", title="Normalized Histogram")
return gr_hist, gr_img
def print_histogram(_histrogram, name, title):
plt.figure()
plt.title(title)
plt.plot(_histrogram, color='#ef476f')
plt.bar(np.arange(len(_histrogram)), _histrogram, color='#b7b7a4')
plt.ylabel('Number of Pixels')
plt.xlabel('Pixel Value')
plt.savefig("hist_" + name)
在大多數(shù)情況下,當我們創(chuàng)建直方圖時,我們通過將每個強度值的像素數(shù)除以歸一化因子(即圖像寬度和圖像高度的乘積)來對直方圖進行歸一化。為了便于使用,如果generate_histogram函數(shù)的輸入圖像是彩色圖像,我們首先將其轉(zhuǎn)換為灰度圖像(請參見第6行)。
03. 如何均衡圖像直方圖?
直方圖均衡化通常用于增強圖像的對比度。因此,該技術不能保證始終提高圖像質(zhì)量。計算CDF(累積分布函數(shù))是均衡圖像直方圖的常用方法。在圖2中,我們計算了在圖1中創(chuàng)建的樣本圖像的CDF。此外,在圖3中,我們顯示了先前樣本的均衡直方圖。
圖2:計算CDF。
圖3:均方圖。
為了計算python中的均衡直方圖,我們創(chuàng)建了以下代碼:
def equalize_histogram(img, histo, L):
eq_histo = np.zeros_like(histo)
en_img = np.zeros_like(img)
for i in range(len(histo)):
eq_histo[i] = int((L - 1) * np.sum(histo[0:i]))
print_histogram(eq_histo, name="eq_"+str(index), title="Equalized Histogram")
'''enhance image as well:'''
for x_pixel in range(img.shape[0]):
for y_pixel in range(img.shape[1]):
pixel_val = int(img[x_pixel, y_pixel])
en_img[x_pixel, y_pixel] = eq_histo[pixel_val]
'''creating new histogram'''
hist_img, _ = generate_histogram(en_img, print=False, index=index)
print_img(img=en_img, histo_new=hist_img, histo_old=histo, index=str(index), L=L)
return eq_histo
這是我們拍攝的3張不同圖片,并用作示例。如圖4所示,對于第一個圖像,直方圖顯示低強度像素的數(shù)量多于明亮像素。對于第二張圖像,情況完全相反,其中較亮像素的密度遠大于較暗像素的密度。第三張圖片似乎具有半正態(tài)直方圖。
圖4:三種不同類型的圖像及其直方圖和均等的直方圖。
使用均衡直方圖增強圖像
如前所述,我們可以使用圖像的均衡直方圖修改圖像的對比度。如代碼2第12行所示,對于輸入圖像中的每個像素,我們可以使用其均等值。結果可能比原始圖像更好,但不能保證。在圖5中,我們描述了3張圖像的修改版本。如圖所示,使用其均等的直方圖修改圖像會產(chǎn)生對比度更高的圖像。此功能在許多計算機視覺任務中很有用。
圖5:使用均衡直方圖的對比度修改。最左列是原始圖像。中間一欄是對比度修改的結果。
最右邊的列是修改后的圖像的直方圖。
04. 什么是直方圖匹配?
假設我們有兩個圖像,每個圖像都有其特定的直方圖。因此,我們想在進一步解決此問題之前,是否可以根據(jù)另一幅圖像的對比度來修改一幅圖像?答案是肯定的。實際上,這就是直方圖匹配的定義。換句話說,給定圖像A和B,可以根據(jù)B修改A的對比度。
當我們要統(tǒng)一一組圖像的對比度時,直方圖匹配非常有用。實際上,直方圖均衡也可以視為直方圖匹配,因為我們將輸入圖像的直方圖修改為與正態(tài)分布相似。
為了匹配圖像A和B的直方圖,我們需要首先均衡兩個圖像的直方圖。然后,我們需要使用均衡后的直方圖將A的每個像素映射到B。然后,我們基于B修改A的每個像素。
讓我們使用圖6中的以下示例來闡明以上段落。
圖6:直方圖匹配
在圖6中,我們將圖像A作為輸入圖像,將圖像B作為目標圖像。我們要基于B的分布來修改A的直方圖。第一步,我們計算A和B的直方圖和均等直方圖。然后,我們需要根據(jù)該值映射A的每個像素它的均衡直方圖求B的值。因此,例如,對于A中強度級別為0的像素,A均衡直方圖的對應值為4。現(xiàn)在,我們看一下B均衡直方圖并找到強度值對應于4,即0。因此我們將0強度從A映射到0 從B開始。對于A的所有強度值,我們繼續(xù)進行。如果從A到B的均衡直方圖中沒有映射,我們只需要選擇最接近的值即可。
def find_value_target(val, target_arr):
key = np.where(target_arr == val)[0]
if len(key) == 0:
key = find_value_target(val+1, target_arr)
if len(key) == 0:
key = find_value_target(val-1, target_arr)
vvv = key[0]
return vvv
def match_histogram(inp_img, hist_input, e_hist_input, e_hist_target, _print=True):
'''map from e_inp_hist to 'target_hist '''
en_img = np.zeros_like(inp_img)
tran_hist = np.zeros_like(e_hist_input)
for i in range(len(e_hist_input)):
tran_hist[i] = find_value_target(val=e_hist_input[i], target_arr=e_hist_target)
print_histogram(tran_hist, name="trans_hist_", title="Transferred Histogram")
'''enhance image as well:'''
for x_pixel in range(inp_img.shape[0]):
for y_pixel in range(inp_img.shape[1]):
pixel_val = int(inp_img[x_pixel, y_pixel])
en_img[x_pixel, y_pixel] = tran_hist[pixel_val]
'''creating new histogram'''
hist_img, _ = generate_histogram(en_img, print=False, index=3)
print_img(img=en_img, histo_new=hist_img, histo_old=hist_input, index=str(3), L=L)
圖7:直方圖匹配示例。我們修改了左圖像的直方圖以匹配中心圖像的直方圖。
圖7示出了直方圖匹配的示例。如大家所見,盡管最左邊的圖像是明亮的圖像,但就對比度級別而言,可以將中心圖像視為更好的圖像。因此,我們決定使用中心圖像的收縮來修改最左邊的圖像。結果,即最右邊的圖像已得到改善。
代碼鏈接:https://github.com/aliprf/CV-HistogramMatching
總結
到此這篇關于基于OpenCV的直方圖匹配的實現(xiàn)方法的文章就介紹到這了,更多相關OpenCV直方圖匹配內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!
您可能感興趣的文章:- Opencv實現(xiàn)二維直方圖的計算及繪制
- OpenCV-Python直方圖均衡化實現(xiàn)圖像去霧
- python 對一幅灰度圖像進行直方圖均衡化
- OpenCV利用python來實現(xiàn)圖像的直方圖均衡化
- 詳解用Python為直方圖繪制擬合曲線的兩種方法
- opencv python統(tǒng)計及繪制直方圖的方法
- OpenCV半小時掌握基本操作之直方圖