直方图均衡基本原理--python的实现方法
1.基本原理
通过一个变换，将输入图像的灰度级转换为`均匀分布`，变换后的灰度级的概率密度函数为
Ps(s)=1L−1Ps(s)=1L−1
直方图均衡的变换为
s=T(r)=(L−1)∫r0Pr(c)dcs=T(r)=(L−1)∫0rPr(c)dc
- ss为变换后的灰度级，rr为变换前的灰度级
- Pr(r)Pr(r)为变换前的概率密度函数
2. 测试结果
上代码
[Python] 纯文本查看 复制代码
|
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
|
import numpy as npdef hist_equalization(input_image): ''' 直方图均衡（适用于灰度图） :param input_image: 原图像 :return: 均衡后的图像 ''' output_imgae = np.copy(input_image) # 输出图像，初始化为输入 input_image_cp = np.copy(input_image) # 输入图像的副本 m, n = input_image_cp.shape # 输入图像的尺寸（行、列） pixels_total_num = m * n # 输入图像的像素点总数 input_image_grayscale_P = [] # 输入图像中各灰度级出现的概率，亦即输入图像直方图 # 求输入图像中各灰度级出现的概率，亦即输入图像直方图 for i in range(256): input_image_grayscale_P.append(np.sum(input_image_cp == i) / pixels_total_num) # 求解输出图像 t = 0 # 输入图像的灰度级分布函数F for i in range(256): t = t + input_image_grayscale_P[i] output_imgae[np.where(input_image_cp == i)] = 255 * t return output_imgae |