亲宝软件园·资讯

展开

OpenCV直方图匹配 基于OpenCV的直方图匹配的实现方法

小白学视觉 人气:0
想了解基于OpenCV的直方图匹配的实现方法的相关内容吗,小白学视觉在本文为您仔细讲解OpenCV直方图匹配的相关知识和一些Code实例,欢迎阅读和指正,我们先划重点:OpenCV,直方图匹配,OpenCV,直方图,下面大家一起来学习吧。

如何为图像生成直方图,如何使直方图相等,最后如何将图像直方图修改为与其他直方图相似。

01. 什么是图像直方图?

在开始定义直方图之前,为简单起见我们先使用灰度图像,稍后再解释彩色图像的处理过程。

图像直方图表示图像的像素分布情况。换言之,图像直方图显示具有特定像素值的图像点数量。例如,假设正常图像的像素强度在0到255之间变化。为了生成其直方图,我们只需要计算像素值为0的像素数量,然后计算1并继续到255即可。在图1中,我们有一个5 * 5的样本图像,我们通过计算每个像素强度的数量来创建直方图表。

图1:生成图像直方图的过程

02. 如何生成图像直方图?

在python中,我们可以使用以下两个函数来创建然后显示图像的直方图。

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)

在大多数情况下,当我们创建直方图时,我们通过将每个强度值的像素数除以归一化因子(即图像宽度和图像高度的乘积)来对直方图进行归一化。为了便于使用,如果generate_histogram函数的输入图像是彩色图像,我们首先将其转换为灰度图像(请参见第6行)。

03. 如何均衡图像直方图?

直方图均衡化通常用于增强图像的对比度。因此,该技术不能保证始终提高图像质量。计算CDF(累积分布函数)是均衡图像直方图的常用方法。在图2中,我们计算了在图1中创建的样本图像的CDF。此外,在图3中,我们显示了先前样本的均衡直方图。

图2:计算CDF。

图3:均方图。

为了计算python中的均衡直方图,我们创建了以下代码:

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

这是我们拍摄的3张不同图片,并用作示例。如图4所示,对于第一个图像,直方图显示低强度像素的数量多于明亮像素。对于第二张图像,情况完全相反,其中较亮像素的密度远大于较暗像素的密度。第三张图片似乎具有半正态直方图。

图4:三种不同类型的图像及其直方图和均等的直方图。

使用均衡直方图增强图像

如前所述,我们可以使用图像的均衡直方图修改图像的对比度。如代码2第12行所示,对于输入图像中的每个像素,我们可以使用其均等值。结果可能比原始图像更好,但不能保证。在图5中,我们描述了3张图像的修改版本。如图所示,使用其均等的直方图修改图像会产生对比度更高的图像。此功能在许多计算机视觉任务中很有用。

图5:使用均衡直方图的对比度修改。最左列是原始图像。中间一栏是对比度修改的结果。

最右边的列是修改后的图像的直方图。

04. 什么是直方图匹配?

假设我们有两个图像,每个图像都有其特定的直方图。因此,我们想在进一步解决此问题之前,是否可以根据另一幅图像的对比度来修改一幅图像?答案是肯定的。实际上,这就是直方图匹配的定义。换句话说,给定图像A和B,可以根据B修改A的对比度。

当我们要统一一组图像的对比度时,直方图匹配非常有用。实际上,直方图均衡也可以视为直方图匹配,因为我们将输入图像的直方图修改为与正态分布相似。

为了匹配图像A和B的直方图,我们需要首先均衡两个图像的直方图。然后,我们需要使用均衡后的直方图将A的每个像素映射到B。然后,我们基于B修改A的每个像素。

让我们使用图6中的以下示例来阐明以上段落。

图6:直方图匹配

在图6中,我们将图像A作为输入图像,将图像B作为目标图像。我们要基于B的分布来修改A的直方图。第一步,我们计算A和B的直方图和均等直方图。然后,我们需要根据该值映射A的每个像素它的均衡直方图求B的值。因此,例如,对于A中强度级别为0的像素,A均衡直方图的对应值为4。现在,我们看一下B均衡直方图并找到强度值对应于4,即0。因此我们将0强度从A映射到0 从B开始。对于A的所有强度值,我们继续进行。如果从A到B的均衡直方图中没有映射,我们只需要选择最接近的值即可。

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)

图7:直方图匹配示例。我们修改了左图像的直方图以匹配中心图像的直方图。

图7示出了直方图匹配的示例。如大家所见,尽管最左边的图像是明亮的图像,但就对比度级别而言,可以将中心图像视为更好的图像。因此,我们决定使用中心图像的收缩来修改最左边的图像。结果,即最右边的图像已得到改善。

代码链接:https://github.com/aliprf/CV-HistogramMatching

总结

加载全部内容

相关教程
猜你喜欢
用户评论