Python图像处理介绍--彩色图像的直方图处理

欢迎关注 “小白玩转Python”，发现更多 “有趣”

引言

在昨天的文章中我们介绍了基于灰度图像的直方图处理，也简单的提到了彩色图像的直方图处理，但是没有讨论最好的方法。

让我们从导入所有需要的库开始吧！

import numpy as np
import matplotlib.pyplot as plt
from skimage.io import imread, imshow
import matplotlib.pyplot as plt
from skimage.exposure import histogram, cumulative_distribution
from scipy.stats import norm

现在让我们载入图像。

dark_image = imread('dark_books.png');
plt.figure(num=None, figsize=(8, 6), dpi=80)
imshow(dark_image);

为了帮助我们更好地了解此图像中的 RGB 图层，让我们隔离每个单独的通道。

def rgb_splitter(image):
    rgb_list = ['Reds','Greens','Blues']
    fig, ax = plt.subplots(1, 3, figsize=(17,7), sharey = True)
    for i in range(3):
        ax[i].imshow(image[:,:,i], cmap = rgb_list[i])
        ax[i].set_title(rgb_list[i], fontsize = 22)
        ax[i].axis('off')
    fig.tight_layout()
rgb_splitter(dark_image)

现在我们已经对单个颜色通道有了大致的了解，现在查看它们的CDF。

def df_plotter(image):
    freq_bins = [cumulative_distribution(image[:,:,i]) for i in
                 range(3)]
    target_bins = np.arange(255)
    target_freq = np.linspace(0, 1, len(target_bins))
    names = ['Red', 'Green', 'Blue']
    line_color = ['red','green','blue']
    f_size = 20
    
    fig, ax = plt.subplots(1, 3, figsize=(17,5))
    for n, ax in enumerate(ax.flatten()):
        ax.set_title(f'{names[n]}', fontsize = f_size)
        ax.step(freq_bins[n][1], freq_bins[n][0], c=line_color[n],
                label='Actual CDF')
        ax.plot(target_bins, 
             target_freq, 
             c='gray', 
             label='Target CDF',
             linestyle = '--')
df_plotter(dark_image)

正如我们所看到的，这三个通道都离理想化的直线相当远。为了解决这个问题，让我们简单地对其CDF进行插值。

def rgb_adjuster_lin(image):
    
    target_bins = np.arange(255)
    target_freq = np.linspace(0, 1, len(target_bins))
    freq_bins = [cumulative_distribution(image[:,:,i]) for i in 
                 range(3)]
    names = ['Reds', 'Blues', 'Greens']
    line_color = ['red','green','blue']
    adjusted_figures = []
    f_size = 20
    
    fig, ax = plt.subplots(1,3, figsize=[15,5])
    for n, ax in enumerate(ax.flatten()):
        interpolation = np.interp(freq_bins[n][0], target_freq, 
                                  target_bins)
        adjusted_image = img_as_ubyte(interpolation[image[:,:, 
                                      n]].astype(int))
        ax.set_title(f'{names[n]}', fontsize = f_size)
        ax.imshow(adjusted_image, cmap = names[n])
        adjusted_figures.append([adjusted_image])
    fig.tight_layout()
    fig, ax = plt.subplots(1,3, figsize=[15,5])
    for n, ax in enumerate(ax.flatten()):
        interpolation = np.interp(freq_bins[n][0], target_freq, 
                                  target_bins)
        adjusted_image = img_as_ubyte(interpolation[image[:,:, 
                                      n]].astype(int))
        freq_adj, bins_adj = cumulative_distribution(adjusted_image)
        
        ax.set_title(f'{names[n]}', fontsize = f_size)
        ax.step(bins_adj, freq_adj, c=line_color[n], label='Actual 
                CDF')
        ax.plot(target_bins, 
                target_freq, 
                c='gray', 
                label='Target CDF',
                linestyle = '--')
    fig.tight_layout()
    return adjusted_figures
channel_figures = return adjusted_figures

我们看到每个颜色通道都有显着改善。

此外，请注意上面的函数是如何将所有这些值作为列表返回。这将为我们的最后一步提供很好的帮助，将所有这些重新组合成一张图片。为了让我们更好地了解如何做到这一点，让我们检查一下我们的列表。

print(channel_figures)
print(f'Total Inner Lists : {len(channel_figures)}')

我们看到在变量channel_figures中有三个列表。这些列表代表RGB通道的值。在下面，我们可以将所有这些值重新组合在一起。

plt.figure(num=None, figsize=(10, 8), dpi=80)
imshow(np.dstack((channel_figures[0][0], 
                  channel_figures[1][0], 
                  channel_figures[2][0])));

请注意图像处理前后这种差异是多么显著。图像不仅明亮了许多，黄色的阴影也被移除了。让我们在不同的图像上进行同样的处理试试。

dark_street = imread('dark_street.png');
plt.figure(num=None, figsize=(8, 6), dpi=80)
imshow(dark_street);

现在我们已经加载了新的图片，让我们简单地通过函数来处理。

channel_figures_street = adjusted_image_data = rgb_adjuster_lin(dark_street)

plt.figure(num=None, figsize=(10, 8), dpi=80)
imshow(np.dstack((channel_figures_street [0][0], 
                  channel_figures_street [1][0], 
                  channel_figures_street [2][0])));

我们可以看到惊人的变化。不可否认，这张照片曝光有点过度。这可能是因为后面有明显的霓虹灯。在以后的文章中，我们将学习如何微调我们的方法，以使我们的函数更加通用。

总结

在本文中，我们学习了如何调整每个RGB通道以保留图像的颜色信息。这种技术是对以前的灰度调整方法的重大改进。

·  END  ·

HAPPY LIFE