基于OpenCV的直方图匹配的实现方法

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

到此这篇关于基于OpenCV的直方图匹配的实现方法的文章就介绍到这了,更多相关OpenCV直方图匹配内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！