在這篇文章中，我們將探討如何使用直方圖處理技術來校正圖像中的顏色。

像往常一樣，我們導入庫，如numpy和matplotlib。此外，我們還從skimage 和scipy.stats庫中導入特定函數。

import numpy as np import matplotlib.pyplot as plt from skimage.io import imread, imshow from skimage import img_as_ubyte from skimage.color import rgb2gray from skimage.exposure import histogram, cumulative_distribution from scipy.stats import cauchy, logistic

讓我們使用馬尼拉內穆羅斯馬尼拉大教堂的夜間圖像。

cathedral = imread('cathedral.jpg') plt.imshow(cathedral) plt.title('Manila Cathedral')

首先，讓我們將圖像轉換為灰度。

fig, ax = plt.subplots(1,2, figsize=(15,5)) cathedral_gray = rgb2gray(cathedral) ax[0].imshow(cathedral_gray, cmap='gray') ax[0].set_title('Grayscale Image') ax1 = ax[1] ax2 = ax1.twinx() freq_h, bins_h = histogram(cathedral_gray) freq_c, bins_c = cumulative_distribution(cathedral_gray) ax1.step(bins_h, freq_h*1.0/freq_h.sum(), c='b', label='PDF') ax2.step(bins_c, freq_c, c='r', label='CDF') ax1.set_ylabel('PDF', color='b') ax2.set_ylabel('CDF', color='r') ax[1].set_xlabel('Intensity value') ax[1].set_title('Histogram of Pixel Intensity');

由于圖像是在夜間拍攝的，因此圖像的特征比較模糊，這也在像素強度值的直方圖上觀察到，其中 PDF 在較低的光譜上偏斜。

由于圖像的強度值是傾斜的，因此可以應用直方圖處理來重新分布圖像的強度值。直方圖處理的目的是將圖像的實際 CDF 拉伸到新的目標 CDF 中。通過這樣做，傾斜到較低光譜的強度值將轉換為較高的強度值，從而使圖像變亮。

讓我們嘗試在灰度圖像上實現這一點，我們假設 PDF 是均勻分布，CDF 是線性分布。

image_intensity = img_as_ubyte(cathedral_gray) freq, bins = cumulative_distribution(image_intensity) target_bins = np.arange(255) target_freq = np.linspace(0, 1, len(target_bins)) new_vals = np.interp(freq, target_freq, target_bins) fig, ax = plt.subplots(1,2, figsize=(15,5)) ax[0].step(bins, freq, c='b', label='Actual CDF') ax[0].plot(target_bins, target_freq, c='r', label='Target CDF') ax[0].legend() ax[0].set_title('Grayscale: Actual vs. ''Target Cumulative Distribution') ax[1].imshow(new_vals[image_intensity].astype(np.uint8), cmap='gray') ax[1].set_title('Corrected?Image?in?Grayscale');

通過將實際 CDF 轉換為目標 CDF，我們可以在保持圖像關鍵特征的同時使圖像變亮。請注意，這與僅應用亮度過濾器完全不同，因為亮度過濾器只是將圖像中所有像素的強度值增加相等的量。在直方圖處理中，像素強度值可以根據目標 CDF 增加或減少。

現在，讓我們嘗試在彩色圖像中實現直方圖處理。這些過程可以從灰度圖像中復制——然而，不同之處在于我們需要對圖像的每個通道應用直方圖處理。為了簡化實現，我們創建一個函數來對圖像執行此過程。

def show_linear_cdf(image, channel, name, ax):image_intensity = img_as_ubyte(image[:,:,channel])freq, bins = cumulative_distribution(image_intensity)target_bins = np.arange(255)target_freq = np.linspace(0, 1, len(target_bins))ax.step(bins, freq, c='b', label='Actual CDF')ax.plot(target_bins, target_freq, c='r', label='Target CDF')ax.legend()ax.set_title('{} Channel: Actual vs. ''Target Cumulative Distribution'.format(name)) def linear_distribution(image, channel):image_intensity = img_as_ubyte(image[:,:,channel])freq, bins = cumulative_distribution(image_intensity)target_bins = np.arange(255)target_freq = np.linspace(0, 1, len(target_bins))new_vals = np.interp(freq, target_freq, target_bins)return new_vals[image_intensity].astype(np.uint8)

現在，我們將這些函數應用于原始圖像的每個通道。

fig, ax = plt.subplots(3,2, figsize=(12,14)) red_channel = linear_distribution(cathedral, 0) green_channel = linear_distribution(cathedral, 1) blue_channel = linear_distribution(cathedral, 2) show_linear_cdf(cathedral, 0, ‘Red’, ax[0,0]) ax[0,1].imshow(red_channel, cmap=’Reds’) ax[0,1].set_title(‘Corrected Image in Red Channel’) show_linear_cdf(cathedral, 1, ‘Green’, ax[1,0]) ax[1,1].imshow(green_channel, cmap=’Greens’) ax[1,1].set_title(‘Corrected Image in Green Channel’) show_linear_cdf(cathedral, 2, ‘Blue’, ax[2,0]) ax[2,1].imshow(blue_channel, cmap=’Blues’) ax[2,1].set_title(‘Corrected Image in Blue Channel’)

請注意，所有通道幾乎都具有相同的 CDF，這顯示了圖像中顏色的良好分布——只是顏色集中在較低的強度值光譜上。就像我們在灰度圖像中所做的一樣，我們還將每個通道的實際 CDF 轉換為目標 CDF。

校正每個通道的直方圖后，我們需要使用 numpy stack函數將這些通道堆疊在一起。請注意，RGB 通道在堆疊時需要按順序排列。

fig, ax = plt.subplots(1,2, figsize=(15,5)) ax[0].imshow(cathedral); ax[0].set_title('Original Image') ax[1].imshow(np.dstack([red_channel, green_channel, blue_channel])); ax[1].set_title('Transformed Image');

堆疊所有通道后，我們可以看到轉換后的圖像顏色與原始圖像的顯著差異。直方圖處理最有趣的地方在于，圖像的不同部分會有不同程度的像素強度轉換。請注意，馬尼拉大教堂墻壁的像素強度發生了巨大變化，而馬尼拉大教堂鐘樓的像素強度卻保持相對不變。

現在，讓我們嘗試使用其他函數作為目標 CDF 來改進這一點。為此，我們將使用該scipy.stats庫導入各種分布，還創建了一個函數來簡化我們的分析。

def individual_channel(image, dist, channel):im_channel = img_as_ubyte(image[:,:,channel])freq, bins = cumulative_distribution(im_channel)new_vals = np.interp(freq, dist.cdf(np.arange(0,256)), np.arange(0,256))return new_vals[im_channel].astype(np.uint8) def distribution(image, function, mean, std):dist = function(mean, std)fig, ax = plt.subplots(1,2, figsize=(15,5))image_intensity = img_as_ubyte(rgb2gray(image))freq, bins = cumulative_distribution(image_intensity)ax[0].step(bins, freq, c='b', label='Actual CDF')ax[0].plot(dist.cdf(np.arange(0,256)), c='r', label='Target CDF')ax[0].legend()ax[0].set_title('Actual vs. Target Cumulative Distribution')red = individual_channel(image, dist, 0)green = individual_channel(image, dist, 1)blue = individual_channel(image, dist, 2)ax[1].imshow(np.dstack((red, green, blue)))ax[1].set_title('Transformed Image')return ax

讓我們使用 Cauchy 函數來試試這個。

distribution(cathedral, cauchy, 90, 30);

使用不同的分布似乎會產生更令人愉悅的配色方案。事實上，大教堂正門的弧線在邏輯分布中比線性分布更好，這是因為在邏輯分布中像素值強度的平移比線性分布要小，這可以從實際 CDF 線到目標 CDF 線的距離看出。

讓我們看看我們是否可以使用邏輯分布進一步改進這一點。

distribution(cathedral, logistic, 90, 30);

請注意，門中的燈光如何從線性和Cauchy分布改進為邏輯分布的。這是因為邏輯函數的上譜幾乎與原始 CDF 一致。因此，圖像中的所有暗物體（低像素強度值）都被平移，而燈光（高像素強度值）幾乎保持不變。

結論

我們已經探索了如何使用直方圖處理來校正圖像中的顏色，實現了各種分布函數，以了解它如何影響結果圖像中的顏色分布。

同樣，我們可以得出結論，在固定圖像的顏色強度方面沒有“一體適用”的解決方案，數據科學家的主觀決定是確定哪個是最適合他們的圖像處理需求的解決方案。

Github代碼連接：

https://github.com/jephraim-manansala/histogram-manipulation

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載黃海廣老師《機器學習課程》視頻課黃海廣老師《機器學習課程》711頁完整版課件

本站qq群955171419，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【CV】使用直方图处理进行颜色校正的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。