数字图像处理学习(2)—— 直方图均衡与图像匹配
1. 直方图均衡(Histogram Equalization)1.1 直方图均衡化概念1.2 直方图均衡实现简单思路1.3 直方图均衡实现代码1.4 结果展示
2. 直方图匹配(histogram specification)2.1 图像匹配概念2.2 实现思路2.3 直方图匹配可视化2.4 图像直方图代码实现2.5 图像规定化结果
1. 直方图均衡(Histogram Equalization)
1.1 直方图均衡化概念
直方图均衡化 :就是把一个已知灰度概率密度分布的图像经过某种变换,使之演变成一副具有均匀灰度概率密度分布的图像。1
补充: 灰度图像是指RGB三通道上的像素点值相同,而取出的灰度图像,就是任一渠道的像素值。而我们所说的灰度,就是0-255的像素值,灰度级越大,值越大,图像越亮。
如下图所示,这张迪迦奥特曼从暗系迪迦变成的相对更亮了一些。 经过直方图均衡化,使得图像变得清晰,让细节更加的明显。
1.2 直方图均衡实现简单思路
计算各个像素点出现的频率计算像素的累积分布概率根据累积分布概率进行像素点转化,得到均衡化后的图片
1.3 直方图均衡实现代码
#!/usr/bin/env python
# encoding: utf-8
"""
@author: BuKanChenLun
@software: Pycharm
@file: ImageHistogramEqualization.py
@time: 2020/11/23 20:50
"""
import cv2 # cv2仅仅用来读取图像和图像的保存,没有调用其他库
import numpy as np
import matplotlib.pyplot as plt
def load_img_pix(file_path):
"""获取图片对应的灰度像素值"""
img = cv2.imread(file_path, cv2.IMREAD_GRAYSCALE) # 以灰度图像的格式读取图像文件
cv2.imshow('Before Equalization\'s DiJia', img)
cv2.waitKey(0) # 键盘事件等待时间
return img
def get_gray_histogram(img, height, width):
"""获取图像的灰度直方图"""
gray = np.zeros(256) # 保存各个灰度级(0-255)的出现次数
for h in range(height):
for w in range(width):
gray[img[h][w]] += 1
# 将直方图归一化, 即使用频率表示直方图
gray /= (height * width) # 保存灰度的出现频率,即直方图
return gray
def plot_histogram(y, name):
"""绘制直方图
- x:表示0-255的灰度值
- y:表示这些灰度值出现的频率
"""
plt.figure(num=name)
x = np.arange(0, 256)
plt.bar(x, y, width=1)
plt.show()
def get_gray_cumulative_prop(gray):
"""获取图像的累积分布直方图,即就P{X |