数字图像直方图均衡化python

直方图均衡化

先来看一看效果图：

数字图像

数字图像，大家应该都有些概念，以前的相片都是通过相机使用胶片来曝光，胶片上面的感光物质，当光线照射到上面的时候，就会形成曝光点。一个图像映射进去过后，就在底片中形成了图片，得到了胶片后，我们还需要经过特殊的处理（洗胶片），才能得到我的照片。
但是现在的图像都是通过数字化处理后存放在内存中，里面都是数字图像。就比如二进制图像，0代表黑色，1代表白色，这样以一个二维矩阵形式存放在内存中。而彩色图像就比较复杂一点儿（我们现在所说的彩色图像就是RGB图像），RGB图像的存储形式我放在了我的另一个博客中：
RGB等图片的图像插值算法python实现
在这个链接里面，感觉还是比较清晰的，有一些图片可以帮助理解三维的RGB图像。

什么是图像里面的直方图？

数字图像的直方图，直方图是多空间域处理技术的基础，直方图操作可以作用于图像增强。书上的定理比较正式，需要自己转进去理解。这里说说我自己的理解吧，先引用冈萨雷斯的《数字图像处理》原文：

其实说白了就是数学里面的直方图统计。采用数组读取出来的图片（单通道）其实就是一个二维数组，二维数组里面每一个数就是一个灰度级（灰度级越大亮度越大，范围是：0~255，8bit图像）。
请看下面这副图片：

里面的数就是读取一张图片的结果（一张彩色图片的第0通道），里面的数就是0~255之间，好了我们现在有这个概念了。
接下来我们就对里面的每一个灰度级进行统计，比如我们要对灰度级12进行统计，统计这个数组里面出现了多少个12这个灰度级，使用统计回来的不同灰度级所对应的个数画成统计直方图，这就是图片的直方图。
下面看一下怎么对一张图片中的数据进行概率统计，直接看核心代码：

hist = defaultdict(lambda: 0)  # 定义一个字典，用来存放统计完灰度级的个数
        for i in range(size_h):
            for j in range(size_w):
                hist[img[i, j]] += 1

我们对图像的每一个像素点进行遍历，统计完后存放在这个hist字典里面，字典里面的key就是0~255的灰度级。

下面来看一下没有进行直方图均衡化的数字图像是什么样子的，这里我还是引用冈萨雷斯的《数字图像处理》中所讲到的的：

归一化

使用概率分布来说，对于这个图片样本，灰度级为12的概率就是刚才我们算出来的统计数除以所有的样本点（M*N）。把整个图片中的所有灰度级都进行统计计算，这样我们就会得到每一个灰度级的概率统计，然后把这所有的概率统计画出直方统计图，就得到了数字图像的直方图（归一化后的直方图）。
归一化就是把这些统计回来的数据都除以256，因为有256个灰度级嘛，所以除以256后就对数据进行了归一化，这既是对直方图进行归一化。

直方图均衡化

连续

离散

离散的变换形式，这也是接下来我们索所要用到的公式。

下面给出均衡化的代码，其中参数color_pic=True表示我们传进去的是一个彩色图片，对于灰度图片也是可以进行均衡化的。

       def equalize_histogram_pic(img, color_pic=True):
        """直方图均衡化"""
        hist = Histogram.get_histogram(img, color_pic=color_pic)  # 获取实例化对象传进来的图片，获取得到它的直方图
        size_h, size_w= img.shape[0], img.shape[1]
        MN = size_h * size_w  # 获取到M*N

        new_gray_level = defaultdict(lambda: 0)  # 定义一个字典，用来存放灰度级的均衡化变换映射
        print("we are equalizing...")
        for i in range(256):
            for key in range(i + 1):
                new_gray_level[i] += hist[key]  # 把前i项灰度级值都加在第i灰度级中
            new_gray_level[i] = new_gray_level[i] * 255 / MN  # 将第i灰度级数量拿出来，乘上255/MN，就可以把Sk的映射结果存到字典中,就是书上那一个Sk的离散计算公式
            new_gray_level[i] = round(new_gray_level[i])  # 把灰度值进行四舍五入进行均衡化映射

        # 将新的灰度映射关系进行从原图像到均衡化图像进行映射
        new_img = img.copy()  # 将原图像拷贝一份，然后更新这个新图片里面的灰度值映射关系即可
        for i in range(new_img.shape[0]):
            for j in range(new_img.shape[1]):
                new_img[i, j] = new_gray_level[new_img[i, j, 0]]  # 将新的灰度映射关系进行从原图像到均衡化图像进行映射
        print('The equalizing ok')
        return new_img

下面是均衡化后的结果:

原图中较黑的部分均衡化后，我们看起来就更加清晰了。接下来看看他们的直方图。
来看看怎么将统计回来的字典里面的统计图画出来，看下面代码：

 pic = cv2.imread(r'./bridge.jpg')
    hist1 = Histogram.get_histogram(pic, color_pic=True)
    x_axis1 = range(0, 256)
    y_axis1 = list(map(lambda i: hist1[i], x_axis1))
    fig = plt.figure(num='histogram', figsize=(10, 5))
    plot1 = fig.add_subplot(121)
    plot1.set_title('origin picture histogram')
    plot1.plot(x_axis1, y_axis1)
    plot1.grid()

附件

下面附上我的全部代码：

import matplotlib.pyplot as plt
import numpy as np
from collections import defaultdict
import cv2
import logging


class Histogram(object):
    def __int__(self):
        pass

    def get_histogram(img_x, *, color_pic=True, normalized=False):
        if color_pic:             # color_pic 用来指定是个彩色图片
            img = img_x[:, :, 0]  # 只取出彩色图像的第0通道
        else:
            img = img_x
        size_h, size_w = img.shape
        logging.info(fr'size_h: {size_h}, size_w: {size_w}')
        print(fr'size_h: {size_h}, size_w: {size_w}')
        hist = defaultdict(lambda: 0)  # 定义一个字典，用来存放统计完灰度级的个数
        for i in range(size_h):
            for j in range(size_w):
                hist[img[i, j]] += 1

        # 根据normalized参数决定是否进行归一化
        if normalized:
            sum = 0
            MN = size_h * size_w
            for key in hist:
                hist[key] = hist[key] / MN
                sum += hist[key]
            logging.info(f'归一化后的值为：{sum},归一化后的统计值：{hist}')
            print('归一化后的和：', sum)
            del sum
            logging.info(f'统计回来的数值：{hist}')

        return hist

    # @staticmethod
    def equalize_histogram_pic(img, color_pic=True):   # color_pic 用来指定是个彩色图片
        """直方图均衡化"""
        hist = Histogram.get_histogram(img, color_pic=color_pic)  # 获取实例化对象传进来的图片，获取得到它的直方图
        size_h, size_w= img.shape[0], img.shape[1]
        MN = size_h * size_w  # 获取到M*N

        new_gray_level = defaultdict(lambda: 0)  # 定义一个字典，用来存放灰度级的均衡化变换映射
        print("we are equalizing...")
        for i in range(256):
            for key in range(i + 1):
                new_gray_level[i] += hist[key]  # 把前i项灰度级值都加在第i灰度级中
            new_gray_level[i] = new_gray_level[i] * 255 / MN  # 将第i灰度级数量拿出来，乘上255/MN，就可以把Sk的映射结果存到字典中,就是书上那一个Sk的离散计算公式
            new_gray_level[i] = round(new_gray_level[i])  # 把灰度值进行四舍五入进行均衡化映射

        # 将新的灰度映射关系进行从原图像到均衡化图像进行映射
        new_img = img.copy()  # 将原图像拷贝一份，然后更新这个新图片里面的灰度值映射关系即可
        for i in range(new_img.shape[0]):
            for j in range(new_img.shape[1]):
                new_img[i, j] = new_gray_level[new_img[i, j, 0]]  # 将新的灰度映射关系进行从原图像到均衡化图像进行映射
        print('The equalizing ok')
        return new_img

if __name__ == '__main__':
    pic = cv2.imread(r'./bridge.jpg')
    hist1 = Histogram.get_histogram(pic, color_pic=True)
    x_axis1 = range(0, 256)
    y_axis1 = list(map(lambda i: hist1[i], x_axis1))
    fig = plt.figure(num='histogram', figsize=(10, 5))
    plot1 = fig.add_subplot(121)
    plot1.set_title('origin picture histogram')
    plot1.plot(x_axis1, y_axis1)
    plot1.grid()

    # new_pic 的直方图
    new_pic = Histogram.equalize_histogram_pic(pic, color_pic=True)
    hist2 = Histogram.get_histogram(new_pic, color_pic=True)
    x_axis2 = range(0, 256)
    y_axis2 = list(map(lambda i: hist2[i], x_axis2))
    plot2 = fig.add_subplot(122)
    plot2.set_title('equalized picture histogram')
    plot2.plot(x_axis2, y_axis2)
    plot2.grid()

    # 均衡化
    # cv2.imshow('origin picture', pic)
    # new_pic = Histogram.equalize_histogram_pic(pic, color_pic=True)
    # print(new_pic.shape)
    # cv2.imshow('equalized picture', new_pic)

    plt.show()