1.理解直方图匹配(规定化)
直方图规定化可以简要的理解为已有模板图像A,按照A图像的直方图对目标图像B的直方图修改,并应用到B图像上。如下图所示,表中第5行为A的直方图,第3行为B的直方图。
计算直方图的规定化的步骤为:
- 对图像A和B进行均衡化操作
- 得到A、B的直方图,并分别计算累积直方图
- 得到B到A的累计直方图的映射关系,即计算|V2-V1|的最小值,从第4、6行得到第7行的结果,因此映射关系如第8行所示。
2.Opencv实现直方图规定化
// image1为模板图像,image2为待规定化处理的图像
Mat MyHistMatch(const Mat & image1, const Mat & image2) {
Mat src_image = image1.clone();
Mat dst_image = image2.clone();
// 首先把图像转化成灰度图像
cv::cvtColor(src_image, src_image, CV_BGR2GRAY);
cv::cvtColor(dst_image, dst_image, CV_BGR2GRAY);
// 先对图像进行均衡化处理
cv::equalizeHist(src_image, src_image);
cv::equalizeHist(dst_image, dst_image);
// 新建目标图像同样大小和类型的图像
Mat result(dst_image.cols, dst_image.rows, CV_32FC1);
cv::MatND src_hist, dst_hist;
int dims = 1;
float hranges[] = { 0,255 };
const float *ranges[] = { hranges };
int size = 256;
int channels = 0;
// 计算模板图像和目标图像的直方图
cv::calcHist(&src_image, 1, &channels, Mat(), src_hist, dims, &size, ranges);
cv::calcHist(&dst_image, 1, &channels, Mat(), dst_hist, dims, &size, ranges);
// 得到模板图像和目标图像的累积直方图
float src_cdf[256] = { 0 };
float dst_cdf[256] = { 0 };
for (int i = 0; i < 256; i++) {
if (i == 0) {
src_cdf[i] = src_hist.at<float>(i);
dst_cdf[i] = dst_hist.at<float>(i);
} else {
src_cdf[i] = src_cdf[i - 1] + src_hist.at<float>(i);
dst_cdf[i] = dst_cdf[i - 1] + dst_hist.at<float>(i);
}
}
// 对目标图像进行规定化处理
// 1.计算累积概率的差值
float diff_cdf[256][256];
for (int i = 0; i < 256; i++) {
for (int j = 0; j < 256; j++) {
diff_cdf[i][j] = fabs(src_cdf[i] - dst_cdf[j]);
}
}
//2.构建灰度级映射表
Mat lut(1, 256, CV_8U);
for (int i = 0; i < 256; i++) {
//查找源灰度级为i的映射灰度和i的累积概率差最小的规定化灰度
float min = diff_cdf[i][0];
int index = 0;
for (int j = 0; j < 256; j++) {
if (min > diff_cdf[i][j]) {
min = diff_cdf[i][j];
index = j;
}
}
lut.at<uchar>(i) = static_cast<uchar>(index);
}
// 应用查找表得到均衡化后的图像
cv::LUT(dst_image, lut, result);
return result;
}
上面的程序输入是两张图像,输出是按照image1图像的直方图把image2进行直方图规定化后的图像。
部分参考:https://www.cnblogs.com/wangguchangqing/p/7098213.html