Égalisation d'histogramme des niveaux de gris des images avec NumPy

Comment faire de l'égalisation d'histogramme pour plusieurs grayscaled des images stockées dans un tableau NumPy facilement?

J'ai le 96x96 pixels NumPy données dans ce 4D format:

(1800, 1, 96,96)
Cela aide: janeriksolem.net/2009/06/... ?
Grâce à l'orignal. Qui aide à bien sûr avec PIL. Sont là toute pure numpy solution?? comme il pourrait être plus rapide que je le fais pour 10 000 images. PIL et Skimage prend habituellement beaucoup de temps.
PIL est nécessaire uniquement pour la lecture des données d'image dans l'exemple. Puisque vous avez les données déjà vous n'en avez pas besoin, seulement NumPy. Voir le code que j'ai écrit dans la anser. Également un grand merci à l'orignal pour relier la solution!

OriginalL'auteur pbu | 2015-02-14

  1. 12

    Moose commentaire qui pointe vers ce l'entrée de blog fait le travail très bien.

    Pour l'exhaustivité de donner des axample ici à l'aide de plus agréable, les noms de variables et une boucle d'exécution sur 1000 96x96 images qui sont dans un 4D tableau comme dans la question. Il est rapide (1 à 2 secondes sur mon ordinateur) et ne doit NumPy.

    import numpy as np

def image_histogram_equalization(image, number_bins=256):
    # from http://www.janeriksolem.net/2009/06/histogram-equalization-with-python-and.html

    # get image histogram
    image_histogram, bins = np.histogram(image.flatten(), number_bins, density=True)
    cdf = image_histogram.cumsum() # cumulative distribution function
    cdf = 255 * cdf / cdf[-1] # normalize

    # use linear interpolation of cdf to find new pixel values
    image_equalized = np.interp(image.flatten(), bins[:-1], cdf)

    return image_equalized.reshape(image.shape), cdf

if __name__ == '__main__':

    # generate some test data with shape 1000, 1, 96, 96
    data = np.random.rand(1000, 1, 96, 96)

    # loop over them
    data_equalized = np.zeros(data.shape)
    for i in range(data.shape[0]):
        image = data[i, 0, :, :]
        data_equalized[i, 0, :, :] = image_histogram_equalization(image)[0]
    Pour ceux qui se demandent, normalisé-histogramme d'une image qui est de l'histogramme de l'image divisée par le nombre total de pixels dans l'image, peut être considérée comme la fonction de densité de probabilité de chaque niveau de gris, et c'est exactement ce que density=True. voici donc image_histogram est actuellement normalisées de l'histogramme.

    OriginalL'auteur Trilarion

  2. 2

    Est très facile et rapide est d'utiliser la fonction de distribution cumulée fournis par le skimage module. Fondamentalement, ce que vous ne mathématiquement à la preuve.

    from skimage import exposure
import numpy as np
def histogram_equalize(img):
    img = rgb2gray(img)
    img_cdf, bin_centers = exposure.cumulative_distribution(img)
    return np.interp(img, bin_centers, img_cdf)
    Cela a été utile pour moi. Il renvoie un float 0-1 matrice, vous pouvez l'appliquer comme un masque.

    OriginalL'auteur Dodo

  3. 0

    À compter d'aujourd'hui janeriksolem'url est cassé.

    J'ai trouvé cependant ce gist que les liens de la même page et de revendications pour effectuer une égalisation d'histogramme sans le calcul de l'histogramme.

    Le code est:

    img_eq = np.sort(img.ravel()).searchsorted(img)
    Cette approche est environ 3 fois plus lent que l'histogramme de l'approche.

    OriginalL'auteur Diego Ferri