【原】基于OpenCV的直方圖匹配

小白學(xué)視覺(jué) 2021-01-28

展開(kāi)全文

重磅干貨,，第一時(shí)間送達(dá)

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(kāi)始定義直方圖之前,，為簡(jiǎn)單起見(jiàn)我們先使用灰度圖像,，稍后再解釋彩色圖像的處理過(guò)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(diǎn)數(shù)量。例如,，假設(shè)正常圖像的像素強(qiáng)度在0到255之間變化,。為了生成其直方圖，我們只需要計(jì)算像素值為0的像素?cái)?shù)量,，然后計(jì)算1并繼續(xù)到255即可,。在圖1中，我們有一個(gè)5 * 5的樣本圖像,，我們通過(guò)計(jì)算每個(gè)像素強(qiáng)度的數(shù)量來(lái)創(chuàng)建直方圖表,。

圖1：生成圖像直方圖的過(guò)程

02. 如何生成圖像直方圖？

在python中,，我們可以使用以下兩個(gè)函數(shù)來(lái)創(chuàng)建然后顯示圖像的直方圖,。

import matplotlib.pyplot as pltimport 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)

代碼1：生成直方圖

在大多數(shù)情況下，當(dāng)我們創(chuàng)建直方圖時(shí),，我們通過(guò)將每個(gè)強(qiáng)度值的像素?cái)?shù)除以歸一化因子（即圖像寬度和圖像高度的乘積）來(lái)對(duì)直方圖進(jìn)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(qǐng)參見(jiàn)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(qiáng)圖像的對(duì)比度,。因此,，該技術(shù)不能保證始終提高圖像質(zhì)量。計(jì)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(jì)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(jì)算CDF。

圖3：均方圖,。

為了計(jì)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

代碼2：均衡直方圖

這是我們拍攝的3張不同圖片，并用作示例,。如圖4所示,，對(duì)于第一個(gè)圖像，直方圖顯示低強(qiáng)度像素的數(shù)量多于明亮像素,。對(duì)于第二張圖像,，情況完全相反，其中較亮像素的密度遠(yuǎn)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(qiáng)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(duì)比度,。如代碼2第12行所示，對(duì)于輸入圖像中的每個(gè)像素,，我們可以使用其均等值,。結(jié)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(huì)產(chǎn)生對(duì)比度更高的圖像,。此功能在許多計(jì)算機(jī)視覺(jué)任務(wù)中很有用,。

圖5：使用均衡直方圖的對(duì)比度修改,。最左列是原始圖像。中間一欄是對(duì)比度修改的結(jié)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(shè)我們有兩個(gè)圖像,，每個(gè)圖像都有其特定的直方圖,。因此，我們想在進(jìn)一步解決此問(wèn)題之前,，是否可以根據(jù)另一幅圖像的對(duì)比度來(lái)修改一幅圖像,？答案是肯定的。實(shí)際上，這就是直方圖匹配的定義,。換句話說(shuō),，給定圖像A和B，可以根據(jù)B修改A的對(duì)比度,。

當(dāng)我們要統(tǒng)一一組圖像的對(duì)比度時(shí),，直方圖匹配非常有用。實(shí)際上,，直方圖均衡也可以視為直方圖匹配,，因?yàn)槲覀儗⑤斎雸D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(gè)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(gè)像素映射到B,。然后,，我們基于B修改A的每個(gè)像素。

讓我們使用圖6中的以下示例來(lái)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(biāo)圖像,。我們要基于B的分布來(lái)修改A的直方圖,。第一步，我們計(jì)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(gè)像素它的均衡直方圖求B的值。因此,，例如,，對(duì)于A中強(qiáng)度級(jí)別為0的像素，A均衡直方圖的對(duì)應(yīng)值為4,。現(xiàn)在,，我們看一下B均衡直方圖并找到強(qiáng)度值對(duì)應(yīng)于4，即0,。因此我們將0強(qiáng)度從A映射到0 從B開(kāi)始,。對(duì)于A的所有強(qiáng)度值，我們繼續(xù)進(jìn)行,。如果從A到B的均衡直方圖中沒(méi)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)

代碼3： Python中的直方圖匹配

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(jiàn)，盡管最左邊的圖像是明亮的圖像,，但就對(duì)比度級(jí)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(lái)修改最左邊的圖像,。結(jié)果，即最右邊的圖像已得到改善,。

代碼鏈接：https://github.com/aliprf/CV-HistogramMatching

交流群