一、直方图匹配
图像直方图是反映图像像素分布的统计表。
灰度直方图是图像灰度级的函数，用来描述每个灰度级在图像矩阵中的像素个数。直方图均衡直接对图像全局进行均衡化，生成具有均匀直方图的图像，并不考虑局部图像区域的具体情况。对于一幅图像的局部区域、具体缺陷，有时需要生成具有特殊形状直方图的图像。
直方图匹配又称为直方图规定化，是指将图像的直方图调整为规定的形状。
例如，将一幅图像或某一区域的直方图匹配到另一幅影像上，使两幅影像的色调保持一致。
这就需要在直方图均衡的基础上，再进行一次反变换，将均匀形状的直方图调整为规定的形状。
二、主要步骤
直方图匹配的主要步骤为：
（1）通过规定图像 z 的直方图
，计算其直方图均衡变换的
；
（2）通过
；
（3）计算变换函数 G 的逆变换函数
，
；
（4）对输入图像 r 进行直方图均衡得到均衡图像 s，然后再用逆变换函数
三、例程
- 1.59 灰度图像直方图匹配
import cv2
import numpy as np
from matplotlib import pyplot as plt
# 1.59 灰度图像直方图匹配
img = cv2.imread(r"e:/opencv/bgra.png", flags=0) # flags=0 读取为灰度图像
imgRef = cv2.imread(r"e:/opencv/gradient.png", flags=0) # 匹配模板图像, matching template
# imgOut = calcHistMatch(img, imgRef) # 子程序：直方图匹配
# 计算累计直方图
histImg, bins = np.histogram(img.flatten(), 256) # 计算原始图像直方图
histRef, bins = np.histogram(imgRef.flatten(), 256) # 计算匹配模板直方图
cdfImg = histImg.cumsum() # 计算原始图像累积分布函数 CDF
cdfRef = histRef.cumsum() # 计算匹配模板累积分布函数 CDF
# 计算直方图匹配转换函数
transM = np.zeros(256)
for i in range(256):
index = 0
vMin = np.fabs(cdfImg[i] - cdfRef[0])
for j in range(256):
diff = np.fabs(cdfImg[i] - cdfRef[j])
if (diff < vMin):
index = int(j)
vMin = diff
transM[i] = index
# 直方图匹配
# imgOut = np.zeros_like(img)
imgOut = transM[img].astype(np.uint8)
fig = plt.figure(figsize=(10,7))
plt.subplot(231), plt.title("Original image"), plt.axis('off')
plt.imshow(img, cmap='gray') # 原始图像
plt.subplot(232), plt.title("Matching template"), plt.axis('off')
plt.imshow(imgRef, cmap='gray') # 匹配模板
plt.subplot(233), plt.title("Matching output"), plt.axis('off')
plt.imshow(imgOut, cmap='gray') # 匹配结果
histImg, bins = np.histogram(img.flatten(), 256) # 计算原始图像直方图
plt.subplot(234, yticks=[]), plt.bar(bins[:-1], histImg)
histRef, bins = np.histogram(imgRef.flatten(), 256) # 计算匹配模板直方图
plt.subplot(235, yticks=[]), plt.bar(bins[:-1], histRef)
histOut, bins = np.histogram(imgOut.flatten(), 256) # 计算匹配结果直方图
plt.subplot(236, yticks=[]), plt.bar(bins[:-1], histOut)
plt.show()
四、资料
youcans_的博客：
https://blog.csdn.net/youcans/article/details/121587348
