python用直方图规定化实现图像风格转换

以下内容需要直方图均衡化、规定化知识

均衡化：https://blog.csdn.net/macunshi/article/details/79815870

规定化：https://blog.csdn.net/macunshi/article/details/79819263

直方图均衡化应用：

图像直方图均衡化能拉伸灰度图，让像素值均匀分布在0,255之间，使图像看起来不会太亮或太暗，常用于图像增强；

直方图规定化应用：

举个例子，当我们需要对多张图像进行拼接时，我们希望这些图片的亮度、饱和度保持一致，事实上就是让它们的直方图分布一致，这时就需要直方图规定化。

直方图规定化与均衡化的思想一致，事实上就是找到各个灰度级别的映射关系。具体实现的过程中一般会选一个参考图像记为A，找到A的直方图与目标图像的直方图的映射关系，从而找到目标图像的像素以A为“参考”时的映射关系。

 

具体实现可参考文中链接（看完茅塞顿开）

基于python利用直方图规定化统一图像风格

参考图像

原始图像（第一行）/处理后的图像（第二行）

源码：

import os
import cv2
import numpy as np
from concurrent.futures import ThreadPoolExecutor
import time

def get_map(Hist):
    """
    计算图像的映射关系。
    :param Hist: 图像的直方图
    :return: 映射关系数组
    """
    # 计算概率分布 Pr，使用向量化操作
    Pr = Hist / np.sum(Hist)
    # 计算累计概率 Sk，使用 np.cumsum 函数
    Sk = np.cumsum(Pr)
    # 计算映射关系 img_map，使用向量化操作
    img_map = (255 * Sk + 0.5).astype(np.uint8)
    return img_map

def get_off_map(map_):
    """
    计算反向映射，寻找最小期望。
    :param map_: 输入的映射关系数组
    :return: 反向映射数组
    """
    off_map = np.zeros(256, dtype=np.uint8)
    last_valid_index = 0
    for i in range(256):
        indices = np.where(map_ == i)[0]
        if indices.size > 0:
            last_valid_index = indices[0]
        off_map[i] = last_valid_index
    return off_map

def process_channel(channel):
    """
    处理单个颜色通道，计算映射和反向映射。
    :param channel: 单个颜色通道的图像数据
    :return: 反向映射数组
    """
    Hist = cv2.calcHist([channel], [0], None, [256], [0, 255])
    map_ = get_map(Hist)
    off_map = get_off_map(map_)
    return off_map

def get_infer_map(infer_img):
    """
    计算参考图像的映射关系。
    :param infer_img: 参考图像
    :return: 包含三个通道反向映射的列表
    """
    with ThreadPoolExecutor(max_workers=3) as executor:
        results = list(executor.map(process_channel, cv2.split(infer_img)))
    return results

def get_finalmap(org_map, infer_off_map):
    """
    计算原始图像到最终输出图像的映射关系。
    :param org_map: 原始图像的映射关系数组
    :param infer_off_map: 参考图像的反向映射数组
    :return: 最终映射关系数组
    """
    return infer_off_map[org_map.astype(np.uint8)]

def get_newimg(img_org, org2infer_maps):
    """
    根据映射关系生成新图像。
    :param img_org: 原始图像
    :param org2infer_maps: 包含三个通道最终映射关系的列表
    :return: 新图像
    """
    b, g, r = cv2.split(img_org)
    b = org2infer_maps[0][b]
    g = org2infer_maps[1][g]
    r = org2infer_maps[2][r]
    newimg = cv2.merge([b, g, r])
    return newimg

def get_new_img(img_org, infer_map):
    """
    根据参考映射关系生成新图像。
    :param img_org: 原始图像
    :param infer_map: 参考图像的映射关系
    :return: 新图像
    """
    with ThreadPoolExecutor(max_workers=3) as executor:
        org_Hists = list(executor.map(
            lambda ch: cv2.calcHist([ch], [0], None, [256], [0, 255]),
            cv2.split(img_org)
        ))
    org_maps = [get_map(Hist) for Hist in org_Hists]
    org2infer_maps = [get_finalmap(org_map, infer_map[i]) for i, org_map in enumerate(org_maps)]
    return get_newimg(img_org, org2infer_maps)

def img2better(infer_map, img_path):
    img_org = cv2.imread(img_path)
    new_img = get_new_img(img_org, infer_map)
    return new_img


if __name__ == "__main__":
    t0 = time.time()
    infer_img_path = 'imgss/5334010103100023.jpg'
    infer_img = cv2.imread(infer_img_path)
    infer_map = get_infer_map(infer_img)  # 计算参考映射关系
    img_path = 'imgss_533422/5334220101100008.jpg'
    img_org = cv2.imread(img_path)
    new_img = get_new_img(img_org, infer_map)  # 根据映射关系获得新的图像
    cv2.imwrite('33.jpg', new_img)
    t1 = time.time()
    print(t1 - t0)

　　

 

posted @ 2020-06-10 13:47  牛郎  阅读(2412)  评论(0)    收藏  举报