数字图像处理—学习日记（2）：图像直方图及均衡化

基本的图像处理操作

交互式标注

使用PyLab库ginput（）函数进行交互式标注。
下面展示代码，脚本首先绘制图像，然后等待用户在图像窗口图像区域点击三次，点击得到的坐标【x, y】自动保存在x列表中。

from PIL import Image
from pylab imprt *

im = array(Image.open('example.jpg'))
imshow(im)

print('Please click 3 points')
x = ginput(3)
print('you click:',x)
show()

图像数组表示

当载入图像时，我们通过调用 array() 方法图像转换成 NumPy 的数组对象，NumPy 中的数组对象是多维的，但是数组中所有的元素必须具有相同的数据类型。除非创建数组对象时指定数据类型，否则，数据类型自动确定。

im = array(Image.open('example.jpg'))
print(im.shape, im.dtype)

im = array(Image.open('example.jpg').convert('L'), 'f')
print(im.shape, im.dtype)

控制台输出如下：
（800， 569， 3） uint8
（800， 569） float32
图像数组中的元素(像素值)可以通过坐标i，j，和颜色通道k的进行访问：

im = value[i, j, k]

图像数组的像素值通过切片方式进行读取，其中负数切片表示从最后一个元素逆向计数：

im[i,:] = im[j,:] # 将第 j 行的数值赋值给第 i 行
im[:,i] = 100 # 将第 i 列的所有数值设为 100
im[:100,:50].sum() # 计算前 100 行、前 50 列所有数值的和
im[50:100,50:100] # 50~100 行， 50~100 列（不包括第 100 行和第 100 列）
im[i].mean() # 第 i 行所有数值的平均值
im[:,-1] # 最后一列
im[-2,:] (or im[-2]) # 倒数第二行

图像数组的灰度表示

例：对图像数组进行灰度变换，其中对图像进行二次函数变换，可以使较暗的像素值变得更小。

from PIL import Image
from numpy import *

im = array(Image.open('empire.jpg').convert('L'))
im2 = 255 - im # 对图像进行反相处理
im3 = (100.0/255) * im + 100 # 将图像像素值变换到 100...200 区间
im4 = 255.0 * (im/255.0)**2 # 对图像像素值求平方后得到的图像

可以通过以下命令查看最小和最大像素：

print(int(im.min()), int(im.max()))

array（）变换的反操作可以通过foraarray（）函数完成：

pil_im = Image.forarray(im)

#将unit8数据类型转为其他数据类型，在创建PIL图像时，可以通过这种方式转换回来：
pil_im = Image.formarray(uint8(im))

注意：（1） NumPy总是将数组数据类型转换成能够表示数据的“最低”数据类型。对浮点数做乘积或除法操作会使整数类型的数组变成浮点类型。（2）如果不确定输入数据类型，安全起见，可以先转回来。

图像缩放

例：简单的图像缩放函数。

def imresize(im, sz):
	"""使用PIL对象重新，定义图像数组的大小"""
	pil_im = Image.fromarray(uint8(im))
	return array(pil_im.resize(sz))

直方图均衡化

直方图均衡化是指将一幅图像的灰度直方图变平，使变换后的图像中每个灰度值的分布概率都相同。在对图像做进一步处理之前，直方图均衡化通常是对图像灰度值进行归一化的一个非常好的方法，并且可以增强图像的对比度。
直方图均衡化的变换函数是图像中像素值的累积分布函数（cumulative distribution function， 简写为 cdf，将像素值的范围映射到目标范围的归一化作）。
例：直方图均衡化，参数是灰度图像，直方图使用的小区间的数目。函数返回直方图均衡化后的图像，以及用来做像素值映射的累积分布函数。注意，函数中使用到累积分布函数的最后一个元素（下标为-1），目的是将其归一化到 0…1范围。你可以像下面这样使用该函数：

def histeq(im, nbr, bins=256):
	"""对一幅图进行直方图均衡化"""
	imhist, bins = histogram(im.flatten(), nbr_bins, normed=True)
	#cumulative distribution function
	cdf = imhist.cumsum()
	#归一化
	cdf = 255 * cdf / cdf[-1]
	#使用到累计分布函数的线性插值，计算新的像素值
	im_2 = intrep(im.flatten(), bins[:-1], cdf)
	return im_2.reshape(im.shape), cdf

可以通过这种方式使用该函数。

from PIL import Image
from numpy import *

im = array(Image.open('AquaTermi_lowcontrast.jpg').convert('L'))
im_2,cdf = imtools.histeq(im)

图像平均

图像平均是为了减少噪声的一种操作。假设所有的图像具有相同的大小，我们可以将这些图像简单地相加，然后除以图像的数目，来计算平均图像。下面的函数可以用于计算平均图像，将其添加到 imtool.py 文件里：

def compute_average(imlist):
	"""计算图像列表的平均图像"""
	#打开第一幅图像，存储于浮点型数组
	averageim = array(Image.open(imlist[0], 'f'))

	for imname in imlist[1:]:
		try:
			averageim += array(Image.opeen(imname))
		except:
			print(imname + '...skipped')
	#也可以用mean（）函数计算平均图像，但需要将所有图像堆积到一个数组中，占内存。
	averageim /= len(imlist)

	#返回uint8的平均图像
	return array(averageim, 'uint8')