局部直方图均衡答案

【问题标题】：local histogram equalization局部直方图均衡
【发布时间】：2013-12-03 20:39:31
【问题描述】：

我正在尝试在 python 中进行一些图像分析（我必须使用 python）。我需要同时进行全局和局部直方图均衡。全球版本运行良好，但使用 7x7 占用空间的本地版本效果很差。

这是全球版本：

   import matplotlib.pyplot as plt
   import matplotlib.image as mpimg
   from scipy  import ndimage,misc
   import scipy.io as io
   from scipy.misc import toimage
   import numpy as n
   import pylab as py
   from numpy import *

   mat = io.loadmat('image.mat')
   image=mat['imageD']

   def histeq(im,nbr_bins=256):
     #get image histogram
     imhist,bins = histogram(im.flatten(),nbr_bins,normed=True)
     cdf = imhist.cumsum() #cumulative distribution function
     cdf = 0.6 * cdf / cdf[-1] #normalize
     #use linear interpolation of cdf to find new pixel values
     im2 = interp(im.flatten(),bins[:-1],cdf)
     #returns image and cumulative histogram used to map
     return im2.reshape(im.shape), cdf

   im=image
   im2,cdf = histeq(im)

要制作本地版本，我正在尝试使用这样的通用过滤器（使用与之前加载的相同图像）：

   def func(x):
     cdf=[]
     xhist,bins=histogram(x,256,normed=True)
     cdf = xhist.cumsum() 
     cdf = 0.6 * cdf / cdf[-1] 
     im_out = interp(x,bins[:-1],cdf)
     midval=interp(x[24],bins[:-1],cdf)
     return midval

 print im.shape
 im3=ndimage.filters.generic_filter(im, func,size=im.shape,footprint=n.ones((7,7)))

是否有人对为什么第二个版本不起作用有任何建议/想法？我真的被困住了，任何 cmets 将不胜感激！提前致谢！

【问题讨论】：

我想知道这是否与 7x7=49 并且您使用 256 个 bin 的事实有关。
我考虑过...我尝试使用 49，但没有太大改进。但我认为它应该是 256，因为 cdf 应该是每个亮度值有多少像素的累积总和，所以按像素值而不是像素数进行分箱是有意义的（我认为？！）。感谢您的意见！
@user3011255: 如果你像7 bins 一样使用呢？

标签： python image numpy filter histogram

【解决方案1】：

您可以使用scikit-image 库来执行全局和局部直方图均衡。自豪地从链接中窃取，下面是sn-p。均衡是使用磁盘形内核（或封装）完成的，但您可以通过设置 kernel = np.ones((N,M)) 将其更改为正方形。

import numpy as np
import matplotlib
import matplotlib.pyplot as plt

from skimage import data
from skimage.util import img_as_ubyte
from skimage import exposure
import skimage.morphology as morp
from skimage.filters import rank

# Original image
img = img_as_ubyte(data.moon())

# Global equalize
img_global = exposure.equalize_hist(img)

# Local Equalization, disk shape kernel
# Better contrast with disk kernel but could be different
kernel = morp.disk(30)
img_local = rank.equalize(img, selem=kernel)

fig, (ax_img, ax_global, ax_local) = plt.subplots(1, 3)

ax_img.imshow(img, cmap=plt.cm.gray)
ax_img.set_title('Low contrast image')
ax_img.set_axis_off()

ax_global.imshow(img_global, cmap=plt.cm.gray)
ax_global.set_title('Global equalization')
ax_global.set_axis_off()

ax_local.imshow(img_local, cmap=plt.cm.gray)
ax_local.set_title('Local equalization')
ax_local.set_axis_off()

plt.show()

【讨论】：