计算机视觉：基于Numpy的图像处理技术（一）：灰度变换、直方图均衡化

计算机视觉：基于Numpy的图像处理技术(一)灰度变换、直方图均衡化（一）🏳️‍🌈

​ 在这里我将以分辨率为590*326的图片hua.jpg来作为演示图片，如下图，是一个拿着战矛的机甲风人物。为了方便下面我将其称为“小花”

一、Numpy操作图像数组📐

​ 将图像读入Numpy的数组对象后，可以对其进行数学操作。

​ 首先导入必备的numpy和cv2

import numpy as np
import cv2
#读取图片
pic = cv2.imread('hua.jpg')
#使用numpy中的array方法将图片以数组形式读取
arr = np.array(data)
#读取图片的shape值（为一个元组）
pic_shape = arr.shape
print(arr)
print(pic_shape)
1
2
3
4
5
6
7
8
9
10

​ 运行后可以看到图片小花的矩阵和它的形状(326, 590, 3)，shape为一个数组

​ 其中326为图像的宽度，590为图像的长度，3代表这个图像有三个通道RGB

二、灰度变换👻

from PIL import Image
import numpy as np
pic_arrL = np.array(Image.open('hua.jpg').convert('L'))
print(pic_arrL)
1
2
3
4

​ convert('L') 为灰度图像，每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。

原型
[[[41 23 46]
  [41 23 46]
  [41 23 46]
  ...
  [37 10 30]
  [37 10 30]
  [37 10 30]]

 [[40 22 45]
  [40 22 45]
  [40 22 45]
  ...
灰度处理后
[[32 32 32 ... 19 19 19]
 [31 31 31 ... 19 19 19]
 [31 31 31 ... 19 19 19]
 ...
 [18 18 18 ... 11 11 11]
 [18 18 18 ... 11 11 11]
 [18 18 19 ... 11 11 11]]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

​ 设任意函数f，它将0~255映射到自身（输出区间和输入区间相同）那么对载入的图像实现不同级别的灰度变换则可以通过设定函数f来进行实现

from PIL import Image
import numpy as np
from pylab import *

# 灰度图像
# f(x) = 255 - x
pic_arrL = np.array(Image.open('hua.jpg').convert('L'))
# 输出最大最小值以确定图像像素范围
print('对图像进行反向处理:\n', int(pic_arrL.min()),int(pic_arrL.max()))

# f(x) = (100/255)x + 100
im1 = (100.0/255) *pic_arrL +100 # 将图像想阻止控制在100~200
print('将图像像素值变换到100...200区间:\n', int(im1.min()),int(im1.max()))

# f(x) = 255*(x/255)^2
im2 = 255.0 * (pic_arrL/255.0) ** 2 # 对像素值求平方后得到的图像
print('对像素值求平方后得到的图像:\n', int(im2.min()),int(im2.max()))

# 图像展示
# pic_arrL
figure()
gray()
subplot(131)
imshow(pic_arrL)
axis('off')
title(r'$f(x) = 255 - x$')
# im1
subplot(132)
imshow(im1)
axis('off')
title(r'$f(x) = \frac{100}{255}x + 100 $')
# im2
subplot(133)
imshow(im2)
axis('off')
title(r'$f(x) = 255(\frac{x}{255})^2 $')
show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

​ 定义完公式后对图像进行运算，最终通过 pylab 库的方法将图像展示，其中title利用latex语法进行公式的呈现。如下图，将小花不同程度的灰度图展现了出来。

三、直方图均衡化🔗

1、概念

​ 指将一副图像的灰度直方图变平，使得变换后的图像中每个灰度值的分布概率都相同。

​ 作用：将灰度值归一化；可以增强图像的对比度。

2、导包

​ 首先需要导入的工具包有

• PIL🚀
• pylab🚀
• PCV🚀
• matplotlib🚀

​ 其中PCV导入时若遇到导入后不能使用的问题，则需进入其github官网进行下载 https://github.com/jesolem/PCV ，如github速度很慢可以使用csdn的gitcode镜像进入。

注意：不使用PCV来进行图像直方图均衡化请往下看

mirrors / jesolem / pcv · GitCode

在PCV目录下打开终端输入命令：python setup.py install

结果会发现报错，原因在于有很多文件中有着python2版本中的print，需将其改为python3的格式（加一对小括号）

如图如果在pycharm中运行可以直接点进文件链接进行跳转，并修改。例如此条：

改为如下

print (imname + "...skipped" )
1

3、图像直方图均衡化（非numpy方法）

​ 但是由于PCV这个包已经八九年没有更新了，对于python3来说属实不太友好，这里采用自己定义好的直方图均衡化的函数

from PIL import Image
from pylab import *
# 添加中文字体支持
plt.rcParams['font.sans-serif'] = ['SimHei']
hua = array(Image.open('hua.jpg').convert('L'))


def histeq(im,nbr_bins=256):
    """对一副灰度图像进行直方图均衡化"""
    imhist,bins = histogram(im.flatten(),nbr_bins,normed = True)
    # 累计分布函数
    cdf = imhist.cumsum()
    # 归一化（概率分布）
    cdf = 255*cdf/cdf[-1]
    # 线性插值
    im2 =interp(im.flatten(),bins[:-1],cdf)
    return im2.reshape(im.shape),cdf


im2,cdf = histeq(hua,256)
figure()
subplot(2,2,1)
axis('off')
gray()
title(u'原始图像')
imshow(hua)

subplot(2,2,2)
axis('off')
gray()
title(u'直方图均衡化后图像')
imshow(im2)

subplot(2,2,3)
axis('off')
title(u'原始直方图')
hist(hua.flatten(),128,density=True)

subplot(2,2,4)
axis('off')
title(u'均衡化后的直方图')
hist(im2.flatten(),128,density=True)
show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

​ 运行程序效果如下，小花的原始的图像直方图为“左高右低”。均衡化处理过后小花的图像直方图的分布变得平均了

4、图像直方图均衡化（numpy方法）

import cv2 as cv
import numpy as np

# 图像显示
def picShow(pic_title, pic_data):
    cv.imshow(pic_title, pic_data)
    cv.waitKey(0)
    cv.destroyAllWindows()


def pixGray(img):  # 直方图统计
    h = img.shape[0]
    w = img.shape[1]

    gray_level = np.zeros(256)
    gray_level2 = np.zeros(256)

    for i in range(1, h - 1):
        for j in range(1, w - 1):
            gray_level[img[i, j]] += 1  # 统计灰度级为img_gray[i,j]的个数

    for i in range(1, 256):
        gray_level2[i] = gray_level2[i - 1] + gray_level[i]  # 统计灰度级小于img_gray[i,j]的个数
    return gray_level2


def imgEqualize(img):  # 直方图均衡化
    h, w = img.shape
    gray_level2 = pixGray(img)
    lut = np.zeros(256)
    for i in range(256):
        lut[i] = 255.0 / (h * w) * gray_level2[i]  # 得到新的灰度级
    lut = np.uint8(lut + 0.5)
    out = cv.LUT(img, lut)
    print('图像直方图均衡化 处理完毕')
    return out


if __name__ == "__main__":
    pic = cv.imread('hua.jpg', 0)
    title = 'mulan'
    picture = np.hstack((pic, imgEqualize(pic)))
    picShow(title, picture)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

运行结果如图：