Python图像处理介绍--彩色图像的直方图处理

共 4918字，需浏览 10分钟

· 2021-01-01

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

引言

在昨天的文章中我们介绍了基于灰度图像的直方图处理，也简单的提到了彩色图像的直方图处理，但是没有讨论最好的方法。

让我们从导入所有需要的库开始吧！

import numpy as npimport matplotlib.pyplot as pltfrom skimage.io import imread, imshowimport matplotlib.pyplot as pltfrom skimage.exposure import histogram, cumulative_distributionfrom scipy.stats import norm

现在让我们载入图像。

dark_image = imread('dark_books.png');plt.figure(num=None, figsize=(8, 6), dpi=80)imshow(dark_image);

为了帮助我们更好地了解此图像中的 RGB 图层，让我们隔离每个单独的通道。

def rgb_splitter(image):    rgb_list = ['Reds','Greens','Blues']    fig, ax = plt.subplots(1, 3, figsize=(17,7), sharey = True)    for i in range(3):        ax[i].imshow(image[:,:,i], cmap = rgb_list[i])        ax[i].set_title(rgb_list[i], fontsize = 22)        ax[i].axis('off')    fig.tight_layout()rgb_splitter(dark_image)

现在我们已经对单个颜色通道有了大致的了解，现在查看它们的CDF。

def df_plotter(image):    freq_bins = [cumulative_distribution(image[:,:,i]) for i in                 range(3)]    target_bins = np.arange(255)    target_freq = np.linspace(0, 1, len(target_bins))    names = ['Red', 'Green', 'Blue']    line_color = ['red','green','blue']    f_size = 20        fig, ax = plt.subplots(1, 3, figsize=(17,5))    for n, ax in enumerate(ax.flatten()):        ax.set_title(f'{names[n]}', fontsize = f_size)        ax.step(freq_bins[n][1], freq_bins[n][0], c=line_color[n],                label='Actual CDF')        ax.plot(target_bins,              target_freq,              c='gray',              label='Target CDF',             linestyle = '--')df_plotter(dark_image)

正如我们所看到的，这三个通道都离理想化的直线相当远。为了解决这个问题，让我们简单地对其CDF进行插值。

def rgb_adjuster_lin(image):        target_bins = np.arange(255)    target_freq = np.linspace(0, 1, len(target_bins))    freq_bins = [cumulative_distribution(image[:,:,i]) for i in                  range(3)]    names = ['Reds', 'Blues', 'Greens']    line_color = ['red','green','blue']    adjusted_figures = []    f_size = 20        fig, ax = plt.subplots(1,3, figsize=[15,5])    for n, ax in enumerate(ax.flatten()):        interpolation = np.interp(freq_bins[n][0], target_freq,                                   target_bins)        adjusted_image = img_as_ubyte(interpolation[image[:,:,                                       n]].astype(int))        ax.set_title(f'{names[n]}', fontsize = f_size)        ax.imshow(adjusted_image, cmap = names[n])        adjusted_figures.append([adjusted_image])    fig.tight_layout()    fig, ax = plt.subplots(1,3, figsize=[15,5])    for n, ax in enumerate(ax.flatten()):        interpolation = np.interp(freq_bins[n][0], target_freq,                                   target_bins)        adjusted_image = img_as_ubyte(interpolation[image[:,:,                                       n]].astype(int))        freq_adj, bins_adj = cumulative_distribution(adjusted_image)                ax.set_title(f'{names[n]}', fontsize = f_size)        ax.step(bins_adj, freq_adj, c=line_color[n], label='Actual                 CDF')        ax.plot(target_bins,                 target_freq,                 c='gray',                 label='Target CDF',                linestyle = '--')    fig.tight_layout()    return adjusted_figureschannel_figures = return adjusted_figures

我们看到每个颜色通道都有显着改善。

此外，请注意上面的函数是如何将所有这些值作为列表返回。这将为我们的最后一步提供很好的帮助，将所有这些重新组合成一张图片。为了让我们更好地了解如何做到这一点，让我们检查一下我们的列表。

print(channel_figures)print(f'Total Inner Lists : {len(channel_figures)}')

我们看到在变量channel_figures中有三个列表。这些列表代表RGB通道的值。在下面，我们可以将所有这些值重新组合在一起。

plt.figure(num=None, figsize=(10, 8), dpi=80)imshow(np.dstack((channel_figures[0][0],                   channel_figures[1][0],                   channel_figures[2][0])));

请注意图像处理前后这种差异是多么显著。图像不仅明亮了许多，黄色的阴影也被移除了。让我们在不同的图像上进行同样的处理试试。

dark_street = imread('dark_street.png');plt.figure(num=None, figsize=(8, 6), dpi=80)imshow(dark_street);

现在我们已经加载了新的图片，让我们简单地通过函数来处理。

channel_figures_street = adjusted_image_data = rgb_adjuster_lin(dark_street)

plt.figure(num=None, figsize=(10, 8), dpi=80)imshow(np.dstack((channel_figures_street [0][0],                   channel_figures_street [1][0],                   channel_figures_street [2][0])));

我们可以看到惊人的变化。不可否认，这张照片曝光有点过度。这可能是因为后面有明显的霓虹灯。在以后的文章中，我们将学习如何微调我们的方法，以使我们的函数更加通用。

总结

在本文中，我们学习了如何调整每个RGB通道以保留图像的颜色信息。这种技术是对以前的灰度调整方法的重大改进。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目31讲

在「小白学视觉」公众号后台回复：Python视觉实战项目31讲，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

下载4：leetcode算法开源书

在「小白学视觉」公众号后台回复：leetcode，即可下载。每题都 runtime beats 100% 的开源好书，你值得拥有！

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~