1.理解直方圖匹配(規定化)
直方圖規定化可以簡要的理解爲已有模板圖像A,按照A圖像的直方圖對目標圖像B的直方圖修改,並應用到B圖像上。如下圖所示,表中第5行爲A的直方圖,第3行爲B的直方圖。
計算直方圖的規定化的步驟爲:
- 對圖像A和B進行均衡化操作
- 得到A、B的直方圖,並分別計算累積直方圖
- 得到B到A的累計直方圖的映射關係,即計算|V2-V1|的最小值,從第4、6行得到第7行的結果,因此映射關係如第8行所示。
2.Opencv實現直方圖規定化
// image1爲模板圖像,image2爲待規定化處理的圖像
Mat MyHistMatch(const Mat & image1, const Mat & image2) {
Mat src_image = image1.clone();
Mat dst_image = image2.clone();
// 首先把圖像轉化成灰度圖像
cv::cvtColor(src_image, src_image, CV_BGR2GRAY);
cv::cvtColor(dst_image, dst_image, CV_BGR2GRAY);
// 先對圖像進行均衡化處理
cv::equalizeHist(src_image, src_image);
cv::equalizeHist(dst_image, dst_image);
// 新建目標圖像同樣大小和類型的圖像
Mat result(dst_image.cols, dst_image.rows, CV_32FC1);
cv::MatND src_hist, dst_hist;
int dims = 1;
float hranges[] = { 0,255 };
const float *ranges[] = { hranges };
int size = 256;
int channels = 0;
// 計算模板圖像和目標圖像的直方圖
cv::calcHist(&src_image, 1, &channels, Mat(), src_hist, dims, &size, ranges);
cv::calcHist(&dst_image, 1, &channels, Mat(), dst_hist, dims, &size, ranges);
// 得到模板圖像和目標圖像的累積直方圖
float src_cdf[256] = { 0 };
float dst_cdf[256] = { 0 };
for (int i = 0; i < 256; i++) {
if (i == 0) {
src_cdf[i] = src_hist.at<float>(i);
dst_cdf[i] = dst_hist.at<float>(i);
} else {
src_cdf[i] = src_cdf[i - 1] + src_hist.at<float>(i);
dst_cdf[i] = dst_cdf[i - 1] + dst_hist.at<float>(i);
}
}
// 對目標圖像進行規定化處理
// 1.計算累積概率的差值
float diff_cdf[256][256];
for (int i = 0; i < 256; i++) {
for (int j = 0; j < 256; j++) {
diff_cdf[i][j] = fabs(src_cdf[i] - dst_cdf[j]);
}
}
//2.構建灰度級映射表
Mat lut(1, 256, CV_8U);
for (int i = 0; i < 256; i++) {
//查找源灰度級爲i的映射灰度和i的累積概率差最小的規定化灰度
float min = diff_cdf[i][0];
int index = 0;
for (int j = 0; j < 256; j++) {
if (min > diff_cdf[i][j]) {
min = diff_cdf[i][j];
index = j;
}
}
lut.at<uchar>(i) = static_cast<uchar>(index);
}
// 應用查找表得到均衡化後的圖像
cv::LUT(dst_image, lut, result);
return result;
}
上面的程序輸入是兩張圖像,輸出是按照image1圖像的直方圖把image2進行直方圖規定化後的圖像。
部分參考:https://www.cnblogs.com/wangguchangqing/p/7098213.html