使用 Python 图像库 (PIL) 标准化一组图像的直方图（亮度和对比度）

Question

我有一个脚本，它使用 Google Maps API 下载一系列大小相等的方形卫星图像并生成 PDF。图像需要预先旋转，我已经使用 PIL 这样做了。

我注意到，由于不同的光线和地形条件，一些图像太亮，另一些太暗，最终生成的 pdf 有点难看，“现场”的阅读条件不太理想（这是野外山地自行车，我想要打印特定十字路口的缩略图）。

（编辑）然后目标是使所有图像最终具有相似的明显亮度和对比度。因此，太亮的图像必须变暗，而太暗的图像必须变亮。 （顺便说一下，我曾经使用过imagemagick autocontrast，或auto-gamma，或equalize，或autolevel，或类似的东西，在医学图像中得到了有趣的结果，但不知道如何做这些在 PIL 中）。

我在转换为灰度后已经使用了一些图像校正（之前有一台灰度打印机），但结果也不是很好。这是我的灰度代码：

#!/usr/bin/python

def myEqualize(im)
    im=im.convert('L')
    contr = ImageEnhance.Contrast(im)
    im = contr.enhance(0.3)
    bright = ImageEnhance.Brightness(im)
    im = bright.enhance(2)
    #im.show()
    return im

此代码对每个图像独立工作。我想知道是否最好先分析所有图像，然后“标准化”它们的视觉属性（对比度、亮度、伽马等）。

另外，我认为有必要对图像进行一些分析（直方图？），以便根据每个图像应用自定义校正，而不是对所有图像进行同等校正（尽管任何“增强”函数隐含地考虑初始条件）。

有没有人遇到过这样的问题和/或知道用彩色图像（无灰度）做这件事的好方法？

任何帮助将不胜感激，感谢阅读！

Answer 1

您可能正在寻找的是一个执行“直方图拉伸”的实用程序。 Here is one implementation。我确信还有其他人。我认为您希望保留原始色调并将此功能统一应用于所有色带。

当然，一些图块在它们连接的水平上很有可能会出现明显的不连续性。然而，避免这种情况将涉及“拉伸”参数的空间插值，并且是一个更复杂的解决方案。 （......但如果有需要，这将是一个很好的练习。）

编辑：

这是一个保留图像色调的调整：

import operator

def equalize(im):
    h = im.convert("L").histogram()
    lut = []
    for b in range(0, len(h), 256):
        # step size
        step = reduce(operator.add, h[b:b+256]) / 255
        # create equalization lookup table
        n = 0
        for i in range(256):
            lut.append(n / step)
            n = n + h[i+b]
    # map image through lookup table
    return im.point(lut*im.layers)

Answer 2

以下代码适用于来自显微镜的图像（相似），以便在拼接之前准备它们。我在包含 20 张图像的测试集上使用了它，得到了合理的结果。

亮度平均功能来自另一个Stackoverflow question。

from PIL import Image
from PIL import ImageStat
import math

# function to return average brightness of an image
# Source: https://stackoverflow.com/questions/3490727/what-are-some-methods-to-analyze-image-brightness-using-python

def brightness(im_file):
   im = Image.open(im_file)
   stat = ImageStat.Stat(im)
   r,g,b = stat.mean
   return math.sqrt(0.241*(r**2) + 0.691*(g**2) + 0.068*(b**2))   #this is a way of averaging the r g b values to derive "human-visible" brightness

myList = [0.0]
deltaList = [0.0]
b = 0.0
num_images = 20                         # number of images   

# loop to auto-generate image names and run prior function  
for i in range(1, num_images + 1):      # for loop runs from image number 1 thru 20
    a = str(i)
    if len(a) == 1: a = '0' + str(i)    # to follow the naming convention of files - 01.jpg, 02.jpg... 11.jpg etc.
    image_name = 'twenty/' + a + '.jpg'
    myList.append(brightness(image_name))

avg_brightness = sum(myList[1:])/num_images
print myList
print avg_brightness

for i in range(1, num_images + 1):
   deltaList.append(i)
   deltaList[i] = avg_brightness - myList[i] 

print deltaList

此时，“校正”值（即值与平均值之间的差）存储在 deltaList 中。以下部分将这一校正一一应用于所有图像。

for k in range(1, num_images + 1):      # for loop runs from image number 1 thru 20
   a = str(k)
   if len(a) == 1: a = '0' + str(k)       # to follow the naming convention of files - 01.jpg, 02.jpg... 11.jpg etc.
   image_name = 'twenty/' + a + '.jpg'
   img_file = Image.open(image_name)
   img_file = img_file.convert('RGB')     # converts image to RGB format
   pixels = img_file.load()               # creates the pixel map
   for i in range (img_file.size[0]):
      for j in range (img_file.size[1]):
         r, g, b = img_file.getpixel((i,j))  # extracts r g b values for the i x j th pixel
         pixels[i,j] = (r+int(deltaList[k]), g+int(deltaList[k]), b+int(deltaList[k])) # re-creates the image
   j = str(k)
   new_image_name = 'twenty/' +'image' + j + '.jpg'      # creates a new filename
   img_file.save(new_image_name)                         # saves output to new file name