[Python与图像处理]Python实现直⽅图均衡化
采⽤Python实现图像的直⽅图均衡化。
  直⽅图均衡化是图像处理领域中利⽤图像直⽅图对对⽐度进⾏调整的⽅法，其主要思想是将⼀副图像的直⽅图分布变成近似均匀分布，从⽽增强图像的对⽐度。这种⽅法通常⽤来增加许多图像的全局对⽐度，尤其是当图像的有⽤数据的对⽐度相当接近的时候。通过这种⽅法，亮度可以更好地在直⽅图上分布，这样就可以⽤于增强局部的对⽐度⽽不影响整体的对⽐度。
  这种⽅法对于背景和前景都太亮或者太暗的图像⾮常有⽤，这种⽅法尤其是可以带来X光图像中更好的⾻骼结构显⽰以及曝光过度或者曝光不⾜照⽚中更好的细节。
  这种⽅法的⼀个主要优势是它是⼀个相当直观的技术并且是可逆操作，如果已知均衡化函数，那么就可以恢复原始的直⽅图，并且计算量也不⼤。这种⽅法的⼀个缺点是它对处理的数据不加选择，它可能会增加背景噪声的对⽐度并且降低有⽤信号的对⽐度。
  直⽅图均衡化和规定化都是通过全局直⽅图调节来改变图像的对⽐度，其实就是根据⼀个表来做映射。均衡化⼀句话，就是拿图像本⾝的累积分布表(cdf)来做映射。规定化就是图像B拿图像A的累积分布表(cdf)来做映射。
直⽅图均衡化效果：
直⽅图可视化：
Python代码：
#coding:utf-8
#*********************************************************************************************************
'''
说明：利⽤python/numpy/opencv实现直⽅图均衡化，其主要思想是将⼀副图像的直⽅图分布变成近似均匀分布，从⽽增强图像的对⽐度
算法思路:
1)以灰度图的⽅式加载图⽚;
2)求出原图的灰度直⽅图，计算每个灰度的像素个数在整个图像中所占的百分⽐;
3)计算图像各灰度级的累积概率密度分布；
4)求出新图像的灰度值。
'''
import cv2
import cv2
import numpy as np
import matplotlib.pyplot as plt
def Origin_histogram( img ):
#建⽴原始图像各灰度级的灰度值与像素个数对应表
histogram ={}
for i in range( img.shape[0]):
for j in range( img.shape[1]):
k = img[i][j]
if k in histogram:
histogram[k]+=1
else:
histogram[k]=1
sorted_histogram ={}#建⽴排好序的映射表
sorted_list =sorted( histogram )#根据灰度值进⾏从低⾄⾼的排序
for j in range(len( sorted_list )):
sorted_histogram[ sorted_list[j]]= histogram[ sorted_list[j]]
return sorted_histogram
def equalization_histogram( histogram, img ):
pr ={}#建⽴概率分布映射表
for i in histogram.keys():
pr[i]= histogram[i]/( img.shape[0]* img.shape[1])
tmp =0
for m in pr.keys():
tmp += pr[m]
pr[m]=max( histogram )* tmp
new_img = np.zeros( shape =( img.shape[0], img.shape[1]), dtype = np.uint8 )
for k in range( img.shape[0]):
for l in range( img.shape[1]):
new_img[k][l]= pr[img[k][l]]
return new_img
def GrayHist( img ):
# 计算灰度直⽅图
height, width = img.shape[:2]
grayHist = np.zeros([256], np.uint64)
for i in range(height):
for j in range(width):
grayHist[img[i][j]]+=1
return grayHist
if __name__ =='__main__':
#读取原始图像
img = cv2.imread('lowlight.png', cv2.IMREAD_GRAYSCALE )
局部直方图均衡化
#计算原图灰度直⽅图
origin_histogram = Origin_histogram( img )
#直⽅图均衡化
new_img = equalization_histogram( origin_histogram, img )
origin_grayHist = GrayHist(img)
equaliza_grayHist = GrayHist( new_img )
x = np.arange(256)
# 绘制灰度直⽅图
plt.figure( num =1)
plt.figure( num =1)
plt.subplot(2,2,1)
plt.plot(x, origin_grayHist,'r', linewidth=2, c='black')    plt.title("Origin")
plt.ylabel("number of pixels")
plt.subplot(2,2,2)
plt.plot(x, equaliza_grayHist,'r', linewidth=2, c='black')    plt.title("Equalization")
plt.ylabel("number of pixels")
plt.subplot(2,2,3)
plt.imshow( img, cmap = ay )
plt.title('Origin')
plt.subplot(2,2,4)
plt.imshow( new_img, cmap = ay )
plt.title('Equalization')
plt.show()

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。