图像直方图归一化 Histogram Normalization

一. 直方图归一化

        有些灰度图像的像素并没有分布在 [0,255] 内，而是分布在 [0,255] 的子区间内。这样的图像肉眼看上去往往不是很清晰。我们可以通过直方图归一化的方式，将它的像素分布从 [0,255] 的子区间变为 [0,255] 范围内。通过这样的方式，往往可以增加图像的清晰度。

        这种归一化直方图的操作被称为灰度变换（Grayscale Transformation）。像素点的取值范围从 [c,d] 转换到 [a,b] 的算法如下：

直方图归一化算法  ↑

 

---

二. 实验：将一张灰度范围为 [10,160] 的图像进行直方图归一化，使其灰度范围为 [0,255]

import cv2
import numpy as np
import matplotlib.pyplot as plt

# histogram normalization
def hist_normalization(img, a=0, b=255):
    # get max and min
    c = img.min()
    d = img.max()

    out = img.copy()

    # normalization
    out = (b-a) / (d - c) * (out - c) + a
    out[out < a] = a
    out[out > b] = b
    out = out.astype(np.uint8)
    
    return out

# Read image
img = cv2.imread("../head_g_n.jpg",0).astype(np.float)
# histogram normalization
out = hist_normalization(img)

# Display histogram
plt.hist(out.ravel(), bins=255, rwidth=0.8, range=(0, 255))
plt.savefig("out_his.jpg")
plt.show()

# Save result
cv2.imshow("result", out)
cv2.imwrite("out.jpg", out)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

三. 实验结果及分析

原图像像素分布直方图[10,160] ↑

 

 

 

原图像 ↑

归一化后的图像像素分布直方图[0,255] ↑

 

 

 

归一化后的图像 ↑

 

        可以看到，我们将灰度范围为 [10,160] 的图像进行直方图归一化到 [0,255] 后，图像的清晰度显著增强。

---

四. 参考内容：

　　https://www.jianshu.com/p/7b4bf0f2621b