问matlab / python中的局部直方图均衡
EN

Stack Overflow用户

提问于 2017-03-24 22:55:32

回答 2查看 2.8K关注 0票数 2

我是matlab中的新手。我想编写本地直方图均衡化的代码。我已经为全局直方图均衡编写了代码，我知道局部均衡意味着对图像的每个部分进行均衡，但我的问题是我应该如何选择图像的这一部分？例如，我是否应该对与其他像素分离的每100个像素进行均衡化？换句话说，我如何将图像分割成某些部分，然后对每个部分进行均衡？

python

image

matlab

image-processing

histogram-equalization

回答 2

Stack Overflow用户

回答已采纳

发布于 2017-03-24 23:39:18

最天真的方法是将图像分割成不重叠的块，在该块上执行全局直方图代码并将其保存到输出中。假设您将这些不重叠块的行和列定义为变量rows和cols。在您的例子中，假设是100x100，所以是rows = 100; cols = 100;。您可以简单地遍历每个不重叠的块，进行直方图均衡化，然后将其设置为输出中的相同位置。

如下所示，假设您的图像存储在im中

rows = 100;
cols = 100;
out = zeros(size(im)); % Declare output variable

for ii = 1 : rows : size(im, 1)
    for jj = 1 : cols : size(im, 2)
        % Get the block
        row_begin = ii;
        row_end = min(size(im, 1), ii + rows);
        col_begin = jj;
        col_end = min(size(im, 2), jj + cols);
        blk = im(row_begin : row_end, col_begin : col_end, :);
        % Perform histogram equalization with the block stored in blk
        % ...

        % Assume the output of this is stored in O
        out(row_begin : row_end, col_begin : col_end, :) = O;
    end
end

请注意存储不重叠块的变量blk的复杂性。我们让开头的行和列只是循环计数器ii和jj，但是结尾的行和列必须确保它被图像的维数所限制。这就是为什么min电话在那里。否则，结束行和列只是由相应维度中的块的大小添加的开始行和列。还请注意，我已经使用:索引到第三维空间，以防你有一个彩色图像。灰度不应影响此代码。在将输出存储在输出映像中时，最终需要使用相同的索引。注意，我假设它存储在变量O中，这是您定制的直方图均衡器函数的输出。

输出out将包含本地直方图均衡化图像。请注意，理论上您可以使用图像处理工具箱中的blockproc (如果有)在一行中完成此操作。这将处理图像中的不同块，并对其应用一些功能。假设您的直方图均衡器函数称为hsteq，您只需这样做：

rows = 100; cols = 100;
out = blockproc(im, [rows, cols], @(s) hsteq(s.data));

第一个输入是要处理的图像，第二个输入定义块大小，最后一个元素是要应用于每个块的函数。请注意，blockproc为您的函数提供了一个自定义的结构，因此重要的是提取结构中的data字段。这将产生与上面循环代码相同的输出。

票数 1

Stack Overflow用户

发布于 2022-06-15 15:49:25

我们可以使用基于块的局部(自适应)直方图均衡化来实现AHE (如另一个答案中所建议的)，但在这种情况下，我们需要实现类似双线性插值的技术，以防止窗口边缘的对比度突然发生变化，例如，观察下面与python实现相同的均衡化输出(这里为该窗口使用了一个50x50窗口)：

def AHE(im, tile_x=8, tile_y=8):        
    h, w = im.shape
    out = np.zeros(im.shape) # Declare output variable

    for i in range(0, h, tile_x):
        for j in range(0, w, tile_y):
            # Get the block
            blk = im[i: min(i + tile_x, h), j: min(j + tile_y, w)]
            probs = get_distr(blk)
            out[i: min(i + tile_x, h), j: min(j + tile_y, w)] = CHE(blk, probs)
    return out

def CHE(im, probs):
    T = np.array(list(map(int, 255*np.cumsum(probs))))
    return T[im]

def get_distr(im):
   hist, _ = np.histogram(im.flatten(),256,[0,256])
   return hist / hist.sum()