直方图均衡化处理图像（python）

对于曝光过度或者逆光拍摄的图片可以通过直方图均衡化来进行处理用来增强局部或整体的对比度。具体思路是通过找出图像中最亮和最暗的像素值将之映射到纯黑和纯白之后再将其他的像数值按某种算法映射到纯黑纯白之间的值。而对于彩图可以将各个颜色通道分开处理然后再合并到一起。

那么首先是单通道的灰阶图的处理：

第一步获得图像的直方图与累积分布函数

    imhist, bins = histogram(im_arr.flatten(), range(256))
    cdf = imhist.cumsum()

这里是通过numpy库中的histogram函数获得直方图数组imhist和累积分布函数cdf

第二步是计算灰度的转换值

# 定义直方图均衡化函数，这里传入的参数是灰度图像的数组和累积分布函数值
def histImageArr(im_arr, cdf):
    cdf_min = cdf[0]
    im_w = len(im_arr[0])
    im_h = len(im_arr)
    im_num = im_w*im_h
    color_list = []
    i=0

    # 通过累积分布函数计算灰度转换值
    while i<256:
        if i>len(cdf) - 1:
            color_list.append(color_list[i-1])
            break
        tmp_v = (cdf[i] - cdf_min)*255/(im_num-cdf_min)
        color_list.append(tmp_v)
        i += 1

    # 产生均衡化后的图像数据
    arr_im_hist = []
    for itemL in im_arr:
        tmp_line = []
        for item_p in itemL:
            tmp_line.append(color_list[item_p])
        arr_im_hist.append(tmp_line)

    return arr_im_hist

具体的算法可以参考 维基，这样就可以获得处理后的灰度图像。

下面就是对于彩图的处理

首先是分离通道，这里只对三个通道进行处理

arr_im_rgb  = array(im_source)
arr_im_rcolor = []
arr_im_gcolor = []
arr_im_bcolor = []
i = 0
# 分离三原色通道
for itemL in arr_im_rgb:
    arr_im_gcolor.append([])
    arr_im_rcolor.append([])
    arr_im_bcolor.append([])
    for itemC in itemL:
        arr_im_rcolor[i].append(itemC[0])
        arr_im_gcolor[i].append(itemC[1])
        arr_im_bcolor[i].append(itemC[2])
    i = 1+i

第二步是分通道处理，我这里尝试了两种方式一种是三通道都按灰度的累积分布函数处理，第二种是按各自的分布函数处理

    # 通过灰度图像的累积分布函数来进行处理
    im_gray = im_source.convert('L')
    arr_im_gray = array(im_gray)
    imhist, bins = histogram(arr_im_gray.flatten(), range(256))
    cdf = imhist.cumsum()

    arr_im_rcolor_hist = histImageArr(arr_im_rcolor, cdf)
    arr_im_gcolor_hist = histImageArr(arr_im_gcolor, cdf)
    arr_im_bcolor_hist = histImageArr(arr_im_bcolor, cdf)

    # 三个通道通过各自的分布函数来处理
    arr_im_rcolor_hist = beautyImage(array(arr_im_rcolor))
    arr_im_gcolor_hist = beautyImage(array(arr_im_gcolor))
    arr_im_bcolor_hist = beautyImage(array(arr_im_bcolor))

第三步是合并三通道颜色到图片

# 合并三个通道颜色到图片
i = 0
arr_im_hist = []
while i<len(arr_im_rcolor_hist):
    ii = 0
    tmp_line = []
    while ii < len(arr_im_rcolor_hist[i]):
        tmp_point = [arr_im_rcolor_hist[i][ii], arr_im_gcolor_hist[i][ii],arr_im_bcolor_hist[i][ii]]
        tmp_line.append(tmp_point)
        ii += 1
    arr_im_hist.append(tmp_line)
    i += 1

完整的代码如下：

# -*-  coding: utf-8 -*-
from PIL import Image
from numpy import *
from pylab import *
from matplotlib import pyplot
#from scipy.misc import *
from scipy.misc import lena, toimage

# 定义直方图均衡化函数，这里传入的参数是灰度图像的数组和累积分布函数值
def histImageArr(im_arr, cdf):
    cdf_min = cdf[0]
    im_w = len(im_arr[0])
    im_h = len(im_arr)
    im_num = im_w*im_h
    color_list = []
    i=0

    # 通过累积分布函数计算灰度转换值
    while i<256:
        if i>len(cdf) - 1:
            color_list.append(color_list[i-1])
            break
        tmp_v = (cdf[i] - cdf_min)*255/(im_num-cdf_min)
        color_list.append(tmp_v)
        i += 1

    # 产生均衡化后的图像数据
    arr_im_hist = []
    for itemL in im_arr:
        tmp_line = []
        for item_p in itemL:
            tmp_line.append(color_list[item_p])
        arr_im_hist.append(tmp_line)

    return arr_im_hist

# 封装一下图像处理的函数,cdf是累积分布函数数值
def beautyImage(im_arr):
    imhist, bins = histogram(im_arr.flatten(), range(256))
    cdf = imhist.cumsum()

    return histImageArr(im_arr, cdf)


im_source = Image.open('images/showover3.jpg')

if True:
    im_source.show()

if True:
    # 灰度图像的转换
    im_gray = im_source.convert('L')
    im_gray.show()

    arr_im_gray = array(im_gray)
    arr_im_gray_hist = beautyImage(arr_im_gray)
    figure()
    im_conver = toimage(arr_im_gray_hist, 255, 0, None, None, None, 'L')
    im_conver.show()

# 这一部分是对彩图的直方图均衡化例子
arr_im_rgb  = array(im_source)
arr_im_rcolor = []
arr_im_gcolor = []
arr_im_bcolor = []
i = 0
# 分离三原色通道
for itemL in arr_im_rgb:
    arr_im_gcolor.append([])
    arr_im_rcolor.append([])
    arr_im_bcolor.append([])
    for itemC in itemL:
        arr_im_rcolor[i].append(itemC[0])
        arr_im_gcolor[i].append(itemC[1])
        arr_im_bcolor[i].append(itemC[2])
    i = 1+i

if False:
    # 通过灰度图像的累积分布函数来进行处理
    im_gray = im_source.convert('L')
    arr_im_gray = array(im_gray)
    imhist, bins = histogram(arr_im_gray.flatten(), range(256))
    cdf = imhist.cumsum()

    arr_im_rcolor_hist = histImageArr(arr_im_rcolor, cdf)
    arr_im_gcolor_hist = histImageArr(arr_im_gcolor, cdf)
    arr_im_bcolor_hist = histImageArr(arr_im_bcolor, cdf)

if True:
    # 三个通道通过各自的分布函数来处理
    arr_im_rcolor_hist = beautyImage(array(arr_im_rcolor))
    arr_im_gcolor_hist = beautyImage(array(arr_im_gcolor))
    arr_im_bcolor_hist = beautyImage(array(arr_im_bcolor))

# 合并三个通道颜色到图片
i = 0
arr_im_hist = []
while i<len(arr_im_rcolor_hist):
    ii = 0
    tmp_line = []
    while ii < len(arr_im_rcolor_hist[i]):
        tmp_point = [arr_im_rcolor_hist[i][ii], arr_im_gcolor_hist[i][ii],arr_im_bcolor_hist[i][ii]]
        tmp_line.append(tmp_point)
        ii += 1
    arr_im_hist.append(tmp_line)
    i += 1

figure()
im_beauty = toimage(array(arr_im_hist), 255)
im_beauty.show()

第一排是彩图的处理，1号是原图，2是分通道处理的，3是按灰度统一处理

第二排是灰度的处理