Question

如何对存储在NumPy阵列中的多个灰度图像进行直方图均衡？

我有这种4D格式的96x96像素NumPy数据：

(1800, 1, 96,96)

Answer 1

指向此comment的Moose blog entry可以很好地完成工作。

为了完整性，我在这里使用更好的变量名称和1000个96x96图像上的循环执行给出了一个例子，这些图像在问题中是4D阵列。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/2009/06/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

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

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

截至今天janeriksolem的网址已损坏。

但是我发现this gist链接了同一页面，并声称无需计算直方图即可执行直方图均衡化。

代码是：

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

使用NumPy对灰度图像进行直方图均衡

3 个答案: