快捷導(dǎo)航

基于OpenCV的直方圖匹配的實(shí)現(xiàn)方法

更新時(shí)間：2021年04月02日 09:15:51 作者：小白學(xué)視覺

這篇文章主要介紹了基于OpenCV的直方圖匹配的實(shí)現(xiàn)方法，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

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(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，我們通過計(jì)算每個(gè)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

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)來創(chuàng)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(shù)情況下，當(dāng)我們創(chuàng)建直方圖時(shí)，我們通過將每個(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）。

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

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(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(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)生對比度更高的圖像。此功能在許多計(jì)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。

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(shí)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(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(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，對于A中強(qiáng)度級(jí)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 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)