使用 NumPy 对灰度图像进行直方图均衡化

Question

如何轻松对存储在NumPy数组中的多张灰度图像进行直方图均衡化？

我有 4D 格式的 96x96 像素 NumPy 数据：

(1800, 1, 96,96)

Answer 1

Moose 的 which points to this blog entry 做得很好。

为了完整起见，我在这里给出了一个示例，使用更好的变量名和在问题中的 4D 数组中的 1000 个 96x96 图像上循环执行。它很快（在我的电脑上 1-2 秒）并且只需要 NumPy。

import numpy as np

def image_histogram_equalization(image, number_bins=256):
    # from http://www.janeriksolem.net/histogram-equalization-with-python-and.html

    # get image histogram
    image_histogram, bins = np.histogram(image.flatten(), number_bins, density=True)
    cdf = image_histogram.cumsum() # cumulative distribution function
    cdf = 255 * cdf / cdf[-1] # normalize

    # use linear interpolation of cdf to find new pixel values
    image_equalized = np.interp(image.flatten(), bins[:-1], cdf)

    return image_equalized.reshape(image.shape), cdf

if __name__ == '__main__':

    # generate some test data with shape 1000, 1, 96, 96
    data = np.random.rand(1000, 1, 96, 96)

    # loop over them
    data_equalized = np.zeros(data.shape)
    for i in range(data.shape[0]):
        image = data[i, 0, :, :]
        data_equalized[i, 0, :, :] = image_histogram_equalization(image)[0]

Answer 2

非常快速简单的方法是使用skimage模块提供的累积分布函数。基本上你用数学来证明它。

from skimage import exposure
import numpy as np
def histogram_equalize(img):
    img = rgb2gray(img)
    img_cdf, bin_centers = exposure.cumulative_distribution(img)
    return np.interp(img, bin_centers, img_cdf)

Answer 3

今天 janeriksolem 的 url 坏了。

但是我发现 this gist 链接同一页面并声称在不计算直方图的情况下执行直方图均衡。

密码是：

img_eq = np.sort(img.ravel()).searchsorted(img)

使用 NumPy 对灰度图像进行直方图均衡化

Histogram equalization of grayscale images with NumPy

python

image-processing

numpy

histogram