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的像素數量，然后計算1并繼續到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量來創建直方圖表。
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來創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)
在大多數情況下，當我們創建直方圖時，我們通過將每個強度值的像素數除以歸一化因子（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函數的輸入圖像是彩色圖像，我們首先將其轉換為灰度圖像（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量。計算CDF（累積分布函數）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B修改A的對比度。
當我們要統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方法的文章就介紹到這了,更多相關OpenCV直方圖匹配內容請搜索腳本之家以前的文章或繼續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實現二維直方圖的計算及繪制
- OpenCV-Python直方圖均衡化實現圖像去霧
- 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統計及繪制直方圖的方法
- OpenCV半小時掌握基本操作之直方圖
