【学习记录】Python 直方图均衡

某学习网站上的《图像处理与机器学习》系列视频看到直方图均衡这里了，对理论和公式推导感兴趣的话可以前往学习，下面是我的学习总结和python代码实操。

直方图均衡的像素点灰度变换关系如下公式所示

$D_{B}=\frac{D_{m}}{A_{0}}\sum_{0}^{D_{A}}H_{A}(D_{A})$

DA是原灰度图某一像素点的灰度值，DB是均衡后的灰度值。函数HA(DA)我看成是原图的直方图，如果HA(33)=N, 那图片中灰度值为33的像素点有N个。Dm我的理解是最大灰度级，一般是255。A0代表图片总像素个数，比如某图片分辨率为 233x666，那A0就是155,178。

所以某一像素点均衡后的灰度值等于灰度图中小于或等于原灰度值的总像素个数乘以最大灰度级与图片总像素个数的比值。

下面是思路：

利用np.bincount方法统计不同灰度级(0~255)在图片像素中的出现次数，然后把统计结果放在长度为256的列表里，再用np.array方法将列表转为数组。需要注意的是灰度图里最大的灰度值不一定是最大灰度级。所以需要对统计产生的数组进行额外的“某位补0”处理。官方文档
用索引访问数组。比如我想知道图片里有多少像素的灰度值是22，只需要print(那个存着统计数据的数组[23])。
对统计数组进行累加地求和操作(看公式)，返回值赋给变量 “随便你取什么名”。变量应是同长度为256的数组(或字典列表？)。变量中的每个值都乘上Dm/A0。
遍历图片中的像素点照着赋值就完事了。

下面代码：

导入库

import matplotlib.image as mpimg
import matplotlib.pyplot as plt
import numpy as np

直接写

def hist_equalization(path): # 上次编辑: 2022/8/24 19:50
    # 这里默认jpg格式了。放彩图进来好像没影响？？？
    img = mpimg.imread(path)

    Tp = img.shape[0] * img.shape[1]  # 总像素个数
    Gm = 256  # 最大灰度值
    A = Gm / Tp  # 公式里求和符前的那个比值

    # 统计每个灰度值的出现个数 sum(counts) == Tp
    counts = np.bincount(img[:,:,1].ravel())  # counting occurences
    # 最大灰度值不一定是255，所以得把后边可能出现的空位补上0
    counts = np.hstack((counts, [0 for t in range(Gm - counts.shape[0])]))
    # 求和，乘系数一次搞定，后边对照着给每个像素点赋值就行
    summation = np.array(list(map( # 10001010110
        lambda x: 255 if x >= 256 else x, [A * np.sum(counts[0:i+1])
                                           for i in range(counts.shape[0])
                                           ])),dtype=np.int32)
    # 测试时发现数组末尾有几个256，所以临时补了个map过滤下
    # 遍历图片所有像素
    for m in range(img.shape[0]):
        for n in range(img.shape[1]):
            img[m,n] = summation[img[m,n,1]]
            # ”like a map“
    return img

补充：matplotlib读取png格式图像会把数据缩放到0~1，我还不知道咋整这玩意。上边函数暂时只试过jpg格式。官方文档

测试图片↓，网站

用之前写好的灰度转换处理并保存(imsave)

执行

if __name__ == '__main__':
    path = '.\\files\\vegetables_gray.jpg'
    img = mpimg.imread(path)
    plt.subplot(2,2,1)
    plt.imshow(img)
    plt.subplot(2,2,3)
    plt.hist(img[:,:,1].ravel(),bins=256,fc='m', ec='k')

    img_eq = hist_equalization(path)
    plt.subplot(2,2,2)
    plt.imshow(img_eq)
    plt.subplot(2,2,4)
    plt.hist(img_eq[:,:,1].ravel(),bins=256,fc='m', ec='k')

    plt.show()

结果对比, （原图好像没必要处理的样子）

2022/8/25:

网上找了张图试了试效果。

图片来源

【学习记录】Python 直方图均衡

相关推荐