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]

 1 import cv2
 2 import numpy as np
 3 import matplotlib.pyplot as plt
 4 
 5 # histogram normalization
 6 def hist_normalization(img, a=0, b=255):
 7     # get max and min
 8     c = img.min()
 9     d = img.max()
10 
11     out = img.copy()
12 
13     # normalization
14     out = (b-a) / (d - c) * (out - c) + a
15     out[out < a] = a
16     out[out > b] = b
17     out = out.astype(np.uint8)
18     
19     return out
20 
21 # Read image
22 img = cv2.imread("../head_g_n.jpg",0).astype(np.float)
23 # histogram normalization
24 out = hist_normalization(img)
25 
26 # Display histogram
27 plt.hist(out.ravel(), bins=255, rwidth=0.8, range=(0, 255))
28 plt.savefig("out_his.jpg")
29 plt.show()
30 
31 # Save result
32 cv2.imshow("result", out)
33 cv2.imwrite("out.jpg", out)
34 cv2.waitKey(0)
35 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