python直方图均衡函数_直方图均衡数学证明及Python实现

前言

直方图均衡的核心思想是将图像中每个灰度级的概率均匀化。从直方图上，可以明显观察到均衡化后的图像直方图较处理器的更加平坦，亦即分布均匀。下面给出数学证明及Python实现。

1 数学证明

目标变换

为严格单调函数，可保证反映射时，消除二义性

为源图像归一化后的直方图

1.1 假定

图像灰度级为：

源图像中，

灰度级的像素个数：

源图像像素总数：

原图像直方图

1.2 归一化后的直方图

即为灰度级

在源图像中出现的概率估计

1.3 证明

概率密度函数的积分为分布函数，即对分布函数的导数为概率密度函数。

因为

与

已知，则由

又因为

即

联立上三式及目标变换

可得

故，这意味着变换之后的图像的灰度级为均匀分布，证毕。

2 Python实现

import numpy as np

def hist_equalization(intput_signal):

'''

直方图均衡(适用于灰度图)

:param intput_signal: 输入图像

:return: 直方图均衡化后的输出图像

'''

output_signal = np.copy(intput_signal) # 输出图像，初始化为输入

intput_signal_cp = np.copy(intput_signal) # 输入图像的副本

m, n = intput_signal_cp.shape # 输入图像的尺寸(行、列)

pixel_total_num = m * n # 输入图像的像素点总数

p_r = [] # 输入图像的概率密度

p_s = [] # 输出图像的概率密度

# 求输入图像的概率密度函数

for i in range(256):

p_r.append(np.sum(intput_signal_cp == i) / pixel_total_num)

# 求输出图像的概率密度函数

single_pixel_class_probobility_t = 0 # 临时存储某一灰度级的概率

for i in range(256):

single_pixel_class_probobility_t = single_pixel_class_probobility_t + p_r[i]

p_s.append(single_pixel_class_probobility_t)

# 求解变换后的输出图像

for i in range(256):

output_signal[np.where(intput_signal_cp == i)] = 255 * p_s[i]

return output_signal

3 对比

我这里使用的是Python第三方库skimage中内置的图片

moon

moon

moon的直方图对比

camera

camera

camera的直方图对比

4 GitHub