4.3 直方图匹配（规定化）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

上一章我们介绍了直方图均衡化，用一句话总结直方图均衡化，就是我们需要找到一种变换方式，使变换后的图像的直方图跟价均衡，这一章我们介绍直方图匹配（即：直方图规定化）。

---

1. 直方图规定原理

1.1 理论基础

直方图规定化，顾名思义，就是规定输出图像的直方图，理论推导如下。
假设有一张原始图像 $A$，已知其概率密度为 $p(r)$，若对其做直方图均衡化得到图像 $A^{\prime }$，对应的变换函数为$T(i)$，则有：$$T(i)={\int }_0^{i}p(r)\mathrm{d}r$$假设有一张目标图像$B$，已知其概率密度为 $p(u)$，若对其做直方图均衡化得到图像 $B^{\prime }$，对应的变换函数为 $G(j)$，则有：$$G(j)={\int }_0^{j}p(u)\mathrm{d}u$$由上面两个公式可以证明 $G(j)=s=T(i)$，因此 $A^{\prime }=B^{\prime }$，即：$$B=G^{-1}(B^{\prime })=G^{-1}(A^{\prime })$$$$B=G^{-1}[T(i)]$$

1.2 手工实现

后续实现

2. 直方图规定化示例

2.1. 示例代码

import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv
from matplotlib.ticker import MultipleLocator, AutoMinorLocator


def getImagePdf(img):
    """
    获取图像的概率密度
    :param img: 输入图像
    :return: 返回图像的概率密度
    """
    # 计算图像的直方图
    hist = cv.calcHist([img], [0], None, [256], [0, 256])

    # 将直方图归一化为概率密度
    pdf = hist / np.sum(hist)

    # 将pdf转化为一维数组
    pdf = pdf.flatten()

    return pdf


def equalizeHistogram(img):
    """
    直方图均衡化
    :param img:
    :return:
    """
    dst = np.copy(img)

    # 计算图像的概率密度
    pdf = getImagePdf(img)

    cdf = 0  # 累计概率密度（也就是概率分布）
    trans = np.zeros(256)
    for i in range(256):
        cdf += pdf[i]
        dst[img == i] = round(cdf * 255, 0)
        trans[i] = round(cdf * 255, 0)

    return dst, trans


def generateMappingTable(pdf):
    """
    根据概率密度函数生成映射表
    :param pdf: 概率密度函数
    :return: 返回映射表
    """
    table = np.zeros(256)
    cdf = 0  # 累计概率密度（也就是概率分布）
    for i in range(256):
        cdf += pdf[i]
        table[i] = round(cdf * 255, 0)

    return table


def generateMulNormalPdf(means, stds, weights, shift):
    """
    生成多峰正态分布概率密度
    :param means: 每个峰的均值
    :param stds: 每个峰的标准值
    :param weights: 每个峰所占的权重(和为1)
    :param shift: 整体向上偏移量
    :return: 返回概率密度
    """
    # 生成变量
    x = np.arange(0, 256)

    PDF = np.zeros([256, ], dtype=float)
    for i in range(len(means)):
        # 每个正态分布的均值和方差和所占权重
        mean = means[i]
        std = stds[i]
        weight = weights[i]

        pdf = weight * np.exp(-(x - mean) ** 2 / (2 * std ** 2)) / (std * np.sqrt(2 * np.pi))
        PDF += pdf

    # 整体向上移动
    PDF += shift

    # 归一化处理
    return PDF / np.sum(PDF)


# 映射表（均衡化后的图像的像素 映射到了 哪个像素值）
def histogramMatching(img, pdf):
    """
    进行直方图匹配（即直方图规定化）
    :param img: 灰度图像
    :param pdf: 指定的概率密度
    :return: 返回规定化图像
    """

    # 第一步：根据双峰概率密度生成映射表
    table = generateMappingTable(pdf)

    # 第二步：对灰度图像进行均衡化
    imgHE, transHE = equalizeHistogram(img)

    # 第三步：执行匹配操作
    dst = np.copy(imgHE)
    for v in range(256):
        if v in imgHE:
            if v in table:
                dst[imgHE[:, :] == v] = np.where(table == v)[0][-1]
    return imgHE, table, dst, transHE


if __name__ == '__main__':

    img = cv.imread('Image/Fig0405.tif')

    # 生成双峰概率密度
    means = (38, 191)
    stds = (13, 13)
    weights = (0.93, 0.07)
    shift = 0.002
    pdf = generateMulNormalPdf(means, stds, weights, shift)

    # 根据上面的概率密度，进行直方图匹配
    imgHE, table, imgMatch, transHE = histogramMatching(img, pdf)

    # 计算三个图像的直方图
    hist = cv.calcHist([img], [0], None, [256], [0, 256])
    hist = hist / np.sum(hist)
    histHE = cv.calcHist([imgHE], [0], None, [256], [0, 256])
    histHE = histHE / np.sum(histHE)
    histMatch = cv.calcHist([imgMatch], [0], None, [256], [0, 256])
    histMatch = histMatch / np.sum(histMatch)

    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams["font.size"] = 16
    plt.figure(figsize=(11, 15))
    titleList = ["原图像", "均衡化后", "正规化后", "原图像直方图", "均衡化后直方图", "正规化后直方图", "双峰正态",
                 "均衡化灰度级变换", "正规化灰度级变换"]
    imageList = [img, imgHE, imgMatch, hist, histHE, histMatch, pdf, transHE, table]

    for i in range(3):
        plt.subplot(3, 3, i + 1), plt.title(titleList[i]), plt.axis('off')
        plt.imshow(imageList[i], vmin=0, vmax=255, cmap='gray')

    for i in range(3, 6):
        plt.subplot(3, 3, i + 1), plt.title(titleList[i])
        plt.plot(imageList[i], color='r')
        plt.grid(True)
        plt.gca().xaxis.set_major_locator(MultipleLocator(50))
        plt.gca().yaxis.set_major_locator(MultipleLocator(0.1))

    x = np.arange(0, 256)
    for i in range(6, 9):
        plt.subplot(3, 3, i + 1), plt.title(titleList[i])
        plt.plot(x, imageList[i], color='r')
        plt.grid(True)
        plt.gca().xaxis.set_major_locator(MultipleLocator(50))
        # plt.gca().yaxis.set_major_locator(MultipleLocator(0.1))

    plt.tight_layout()
    plt.savefig("Image/tmp.png")
    plt.show()

    plt.show()

2.2. 示例效果

从上图分析可知：

• 对原图像进行直方图均衡化，会导致原图像过亮，变换效果不好，而从均衡化直方图可以看出，变换后的直方图150之后，明显的矫正过度，从均衡化变换图像可以看出 0 直接变换成了 160，因此效果较差
• 对原图像进行直方图规定话，指定目标直方图为双峰直方图（因为原图像也是有两个峰的），可以看出效果更好，而且正规化后的直方图分布也更加均匀