使用Python图像库(PIL)标准化一组图像的直方图(亮度和对比度)
image-processing
python
python-imaging-library
4
0

我有一个脚本,该脚本使用Google Maps API下载一系列大小相等的方形卫星图像并生成PDF。图像需要事先旋转,而我已经使用PIL进行过旋转。

我注意到,由于光线和地形条件的不同,有些图像太亮,另一些图像太暗,导致生成的pdf有点难看,“在野外”的阅读条件不理想(偏远地区)山地自行车,我想在其中打印特定十字路口的缩略图)。

(编辑)然后的目标是使所有图像最终具有相似的表观亮度和对比度。因此,太亮的图像将不得不变暗,而黑暗的图像将不得不变亮。 (顺便说一句,我曾经使用imagemagick autocontrastauto-gammaequalizeautolevel或类似的东西在医学图像中产生有趣的结果,但不知道如何在PIL中进行任何操作)。

转换为灰度(一段时间前有一台灰度打印机)后,我已经使用了一些图像校正,但是效果也不佳。这是我的灰度代码:

#!/usr/bin/python

def myEqualize(im)
    im=im.convert('L')
    contr = ImageEnhance.Contrast(im)
    im = contr.enhance(0.3)
    bright = ImageEnhance.Brightness(im)
    im = bright.enhance(2)
    #im.show()
    return im

该代码对每个图像独立工作。我想知道先分析所有图像然后“标准化”它们的视觉属性(对比度,亮度,伽玛等)是否会更好。

另外,我认为有必要在图像中进行一些分析(直方图?),以便根据每个图像应用自定义校正,而不是对所有图像进行均等校正(尽管任何“增强”功能都隐含了初始条件)。

是否有人遇到过这样的问题和/或知道使用彩色图像(没有灰度)的很好的选择吗?

任何帮助将不胜感激,感谢您的阅读!

参考资料:
Stack Overflow
收藏
评论
共 2 个回答
高赞 时间 活跃

以下代码适用于来自显微镜(相似)的图像,以在拼接之前进行准备。我在20张图像的测试集上使用了它,并获得了合理的结果。

亮度平均值函数来自另一个Stackoverflow问题

from PIL import Image
from PIL import ImageStat
import math

# function to return average brightness of an image
# Source: https://stackoverflow.com/questions/3490727/what-are-some-methods-to-analyze-image-brightness-using-python

def brightness(im_file):
   im = Image.open(im_file)
   stat = ImageStat.Stat(im)
   r,g,b = stat.mean
   return math.sqrt(0.241*(r**2) + 0.691*(g**2) + 0.068*(b**2))   #this is a way of averaging the r g b values to derive "human-visible" brightness

myList = [0.0]
deltaList = [0.0]
b = 0.0
num_images = 20                         # number of images   

# loop to auto-generate image names and run prior function  
for i in range(1, num_images + 1):      # for loop runs from image number 1 thru 20
    a = str(i)
    if len(a) == 1: a = '0' + str(i)    # to follow the naming convention of files - 01.jpg, 02.jpg... 11.jpg etc.
    image_name = 'twenty/' + a + '.jpg'
    myList.append(brightness(image_name))

avg_brightness = sum(myList[1:])/num_images
print myList
print avg_brightness

for i in range(1, num_images + 1):
   deltaList.append(i)
   deltaList[i] = avg_brightness - myList[i] 

print deltaList

此时,“校正”值(即,值与均值之差)存储在deltaList中。下一节将对所有图像进行一次校正。

for k in range(1, num_images + 1):      # for loop runs from image number 1 thru 20
   a = str(k)
   if len(a) == 1: a = '0' + str(k)       # to follow the naming convention of files - 01.jpg, 02.jpg... 11.jpg etc.
   image_name = 'twenty/' + a + '.jpg'
   img_file = Image.open(image_name)
   img_file = img_file.convert('RGB')     # converts image to RGB format
   pixels = img_file.load()               # creates the pixel map
   for i in range (img_file.size[0]):
      for j in range (img_file.size[1]):
         r, g, b = img_file.getpixel((i,j))  # extracts r g b values for the i x j th pixel
         pixels[i,j] = (r+int(deltaList[k]), g+int(deltaList[k]), b+int(deltaList[k])) # re-creates the image
   j = str(k)
   new_image_name = 'twenty/' +'image' + j + '.jpg'      # creates a new filename
   img_file.save(new_image_name)                         # saves output to new file name
收藏
评论

您可能正在寻找的是一种执行“直方图拉伸”的实用程序。 这是一个实现 。我敢肯定还有其他人。我想您想保留原始色相并将此功能均匀地应用于所有色带。

当然,某些瓷砖很有可能会在连接位置的水平上出现明显的不连续性。但是,避免这种情况将涉及“拉伸”参数的空间插值,并且是涉及更多的解决方案。 (...但如果有需要,这将是一个很好的练习。)

编辑:

这是保留图像色调的调整:

import operator

def equalize(im):
    h = im.convert("L").histogram()
    lut = []
    for b in range(0, len(h), 256):
        # step size
        step = reduce(operator.add, h[b:b+256]) / 255
        # create equalization lookup table
        n = 0
        for i in range(256):
            lut.append(n / step)
            n = n + h[i+b]
    # map image through lookup table
    return im.point(lut*im.layers)
收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题

关于我们

常见问题

内容许可

联系我们

@2020 AskGo
京ICP备20001863号