分享
这是一个创建于 的文章,其中的信息可能已经有所发展或是发生改变。
- Docs »
- 数字图像处理 »
- 数字图像处理-直方图均衡化
- Edit on GitHub
直方图均衡化
直方图均衡化处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布. 直方图均衡化就是对图像进行非线性拉伸, 重新分配图像像素值, 使一定灰度范围内的像素数量大致相同. 直方图均衡化就是把给定图像的直方图分布改变成"均匀"分布直方图分布.
假设输入是一张 8 比特灰度图(即灰度级为 0 至 255), 则任意灰度级的概率函数为
P(rk)=nk/n,k∈0−255
其中 nk 为灰度级为 k 的像素个数, n 为总像素个数. 设转换函数为 T, 则
sk=T(rk)=255∑j=0knjn
代码实现
import matplotlib.pyplot as plt
import numpy as np
import PIL.Image
import scipy.misc
def convert_2d(r):
x = np.zeros([256])
for i in range(r.shape[0]):
for j in range(r.shape[1]):
x[r[i][j]] += 1
x = x / r.size
sum_x = np.zeros([256])
for i, _ in enumerate(x):
sum_x[i] = sum(x[:i])
s = np.empty(r.shape, dtype=np.uint8)
for i in range(r.shape[0]):
for j in range(r.shape[1]):
s[i][j] = 255 * sum_x[r[i][j]]
return s
im = PIL.Image.open('/img/jp.jpg')
im = im.convert('L')
im_mat = scipy.misc.fromimage(im)
# 显示输入直方图
plt.hist(im_mat.reshape([im_mat.size]), 256, normed=1)
plt.show()
im_converted_mat = convert_2d(im_mat)
# 显示输出直方图
plt.hist(im_converted_mat.reshape([im_converted_mat.size]), 256, normed=1)
plt.show()
im_converted = PIL.Image.fromarray(im_converted_mat)
im_converted.show()
实验结果
原始直方图
img
直方图均衡化后的直方图, 可以看到图像分布变得均匀
img
有疑问加站长微信联系(非本文作者)
入群交流(和以上内容无关):加入Go大咖交流群,或添加微信:liuxiaoyan-s 备注:入群;或加QQ群:692541889
关注微信1763 次点击
上一篇:如何写好 Go 代码
添加一条新回复
(您需要 后才能回复 没有账号 ?)
- 请尽量让自己的回复能够对别人有帮助
- 支持 Markdown 格式, **粗体**、~~删除线~~、
`单行代码` - 支持 @ 本站用户;支持表情(输入 : 提示),见 Emoji cheat sheet
- 图片支持拖拽、截图粘贴等方式上传
收入到我管理的专栏 新建专栏
- Docs »
- 数字图像处理 »
- 数字图像处理-直方图均衡化
- Edit on GitHub
直方图均衡化
直方图均衡化处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布. 直方图均衡化就是对图像进行非线性拉伸, 重新分配图像像素值, 使一定灰度范围内的像素数量大致相同. 直方图均衡化就是把给定图像的直方图分布改变成"均匀"分布直方图分布.
假设输入是一张 8 比特灰度图(即灰度级为 0 至 255), 则任意灰度级的概率函数为
P(rk)=nk/n,k∈0−255
其中 nk 为灰度级为 k 的像素个数, n 为总像素个数. 设转换函数为 T, 则
sk=T(rk)=255∑j=0knjn
代码实现
import matplotlib.pyplot as plt
import numpy as np
import PIL.Image
import scipy.misc
def convert_2d(r):
x = np.zeros([256])
for i in range(r.shape[0]):
for j in range(r.shape[1]):
x[r[i][j]] += 1
x = x / r.size
sum_x = np.zeros([256])
for i, _ in enumerate(x):
sum_x[i] = sum(x[:i])
s = np.empty(r.shape, dtype=np.uint8)
for i in range(r.shape[0]):
for j in range(r.shape[1]):
s[i][j] = 255 * sum_x[r[i][j]]
return s
im = PIL.Image.open('/img/jp.jpg')
im = im.convert('L')
im_mat = scipy.misc.fromimage(im)
# 显示输入直方图
plt.hist(im_mat.reshape([im_mat.size]), 256, normed=1)
plt.show()
im_converted_mat = convert_2d(im_mat)
# 显示输出直方图
plt.hist(im_converted_mat.reshape([im_converted_mat.size]), 256, normed=1)
plt.show()
im_converted = PIL.Image.fromarray(im_converted_mat)
im_converted.show()
实验结果
原始直方图
img
直方图均衡化后的直方图, 可以看到图像分布变得均匀
img