基于OpenCV的直方圖匹配
點擊上方“AI算法與圖像處理”，選擇加"星標(biāo)"或“置頂”
重磅干貨，第一時間送達(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。
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(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(qiáng)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
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 pltimport numpy as npdef 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 grayscalegr_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_imgdef 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，我們通過將每個強(qiáng)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(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（請參見第6行）。
直方圖均衡化通常用于增強(qiáng)圖像的對比度。因此，該技術(shù)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
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，對于第一個圖像，直方圖顯示低強(qiáng)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(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(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產(chǎn)生對比度更高的圖像。此功能在許多計算機(jī)視覺任務(wù)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(jié)果。
最右邊的列是修改后的圖像的直方圖。
假設(shè)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(jìn)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(dāng)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(biāo)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(qiáng)度級別為0的像素，A均衡直方圖的對應(yīng)值為4。現(xiàn)在，我們看一下B均衡直方圖并找到強(qiáng)度值對應(yīng)于4，即0。因此我們將0強(qiáng)度從A映射到0?從B開始。對于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 vvvdef 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，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(jié)果，即最右邊的圖像已得到改善。
代碼鏈接：https://github.com/aliprf/CV-HistogramMatching
下載1：leetcode?開源書
在「AI算法與圖像處理」公眾號后臺回復(fù)：leetcode，即可下載。每題都 runtime beats 100% 的開源好書，你值得擁有！
下載2 CVPR2020 在「AI算法與圖像處理」公眾號后臺回復(fù)：CVPR2020，即可下載1467篇CVPR?2020論文 個人微信（如果沒有備注不拉群！） 請注明：地區(qū)+學(xué)校/企業(yè)+研究方向+昵稱
覺得不錯就點亮在看吧
