用Python实现图像直方图的均衡和匹配

技术图像处理
MOOC, PIL, matplotlib, python, 图像处理, 直方图

需要使用的库

以下为使用Python来实现图像直方图均衡和匹配中需要用到的库

  • PIL: 用于导入图片、修改图片、显示图片
  • numpy：用于接收图像rawdata，方便处理多维数据数据
  • matplotlib：用于画直方图、显示图像

Python推荐安装anaconda整合包，包括numpy在内的很多库已经安装好了。没有安装的库推荐用pip安装，这样可以不用考虑库之间的烦人的依赖关系。

以下源码均为自己实现

画直方图

使用matplotlib库中的 hist函数画直方图，步骤图下：

  1. 打开图像
  2. 导入图像的Rawdata
  3. 用生成hist生成直方图

代码如下：

1
2
3
4
5
6
7
8
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

im = Image.open('chengbao.jpg')
buf = np.array(im)
plt.hist(buf.flatten(), 256, normed = True)
plt.show()

使用测试图像如下：

图1 测试图像

运行程序生成直方图如下：

图2 测试图像的直方图

实现直方图均衡化

图像直方图的均衡属于图像的点操作，直接用PIL库中的 point函数即可，point函数可以对图像中的每一个点都进行相同的处理，并返回一个新的图像。

直方图均衡的公式如下：

f(s) = Sum(P(0:s)) x (L-1)

用python一句话就可以实现。

于是可以在上面的代码的后面加入均衡化的功能：

1
2
3
4
5
6
dhist, bins_edge = np.histogram(buf.flatten(), 256, density = True) # 也可以直接接收上面hist函数的返回值
outIm = im.point(lambda i: sum(dhist[:i])*255)
outIm.show()

plt.hist(np.array(outIm).flatten(), 256, normed = True)
plt.show()

均衡化后生成的图像如下：

图3 测试图像均衡化

均衡化后的直方图为：

图4 测试图像均衡化的直方图

可以看到这幅图像在均衡化后，之前朦胧的地方变得更清晰了，但是其噪声也增多了和颗粒感也更严重了。

实现直方图匹配

虽然直方图的匹配会稍显复杂，但是并没有使用额外的知识点。只需要按照步骤一步一步实现代码就可以了。

所以我这里就直接贴全部代码，下面代码的目的是将原图像匹配到目标图像的直方图上，目标图像就是chengbao.jpg，其原始图像和直方图分布都上面（图1和图2）：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
# coding:utf8

from PIL import Image
import matplotlib.pyplot as plt 

import numpy as np

def eqhist(histarray):
    farr = np.zeros(256,dtype= np.uint16)
    for i in range(256):    
        farr[i] = np.sum(histarray[:i])*255
        if farr[i] > 255: farr[i] = 255
    return farr

def main():
    imlist = []
    imlist.append(Image.open('chengbao.jpg'))
    imlist.append(Image.open('target.jpg'))
    srcIm = imlist[1]
    targIm = imlist[0]
    srcIm.show()
    # targIm.show()

    srcbuf = np.array(srcIm)
    targbuf = np.array(targIm)

    # 显示原始直方图
    plt.subplot(2, 2, 1)
    srchist, bins, patche = plt.hist(srcbuf.flatten(), 256, normed = True)
    plt.subplot(2, 2, 3)
    targhist, bins, patche = plt.hist(targbuf.flatten(), 256, normed = True)

    # 先做直方图均衡
    resSrchist = eqhist(srchist)
    restarghist = eqhist(targhist)

    # 求匹配的映射关系序列
    MapArray = np.zeros(256,dtype= np.uint8)
    for x in xrange(256):
        MapArray[restarghist[x]] = x

    tmp = MapArray[0];
    for x in xrange(1,256):
        if MapArray[x] != 0:
            tmp = MapArray[x]
        else:
            MapArray[x] = tmp

    # 执行匹配
    outIm = srcIm.point(lambda i: MapArray[resSrchist[i]])
    plt.subplot(2, 2, 2)
    plt.hist(np.array(outIm).flatten(), 256, normed = True)

    outIm.show()
    plt.show()


if __name__ == '__main__':
    main()

执行结果如下：

图5 匹配的原始图像
图6 匹配的原始图像
图7 匹配前后图像直方图对比

图7 直方图对比中，左上为原始图像的直方图，左下为目标图像的直方图，右上为匹配后图像的直方图。可以看到匹配后的直方图和目标图像的直方图是非常相似的。

Compartir