引言
在昨天的文章中我们介绍了基于灰度图像的直方图处理，也简单的提到了彩色图像的直方图处理，但是没有讨论最好的方法。
让我们从导入所有需要的库开始吧！
import numpy as npimport matplotlib.pyplot as pltfrom skimage.io import imread, imshowimport matplotlib.pyplot as pltfrom skimage.exposure import histogram, cumulative_distributionfrom scipy.stats import norm
现在让我们载入图像。
dark_image = imread('dark_books.png');plt.figure(num=None, figsize=(8, 6), dpi=80)imshow(dark_image);
为了帮助我们更好地了解此图像中的 RGB 图层，让我们隔离每个单独的通道。
def rgb_splitter(image): rgb_list = ['Reds','Greens','Blues'] fig, ax = plt.subplots(1, 3, figsize=(17,7), sharey = True) for i in range(3): ax[i].imshow(image[:,:,i], cmap = rgb_list[i]) ax[i].set_title(rgb_list[i], fontsize = 22) ax[i].axis('off') fig.tight_layout()rgb_splitter(dark_image)
现在我们已经对单个颜色通道有了大致的了解，现在查看它们的CDF。
def df_plotter(image): freq_bins = [cumulative_distribution(image[:,:,i]) for i in range(3)] target_bins = np.arange(255) target_freq = np.linspace(0, 1, len(target_bins)) names = ['Red', 'Green', 'Blue'] line_color = ['red','green','blue'] f_size = 20 fig, ax = plt.subplots(1, 3, figsize=(17,5)) for n, ax in enumerate(ax.flatten()): ax.set_title(f'{names[n]}', fontsize = f_size) ax.step(freq_bins[n][1], freq_bins[n][0], c=line_color[n], label='Actual CDF') ax.plot(target_bins, target_freq, c='gray', label='Target CDF', linestyle = '--')df_plotter(dark_image)
正如我们所看到的，这三个通道都离理想化的直线相当远。为了解决这个问题，让我们简单地对其CDF进行插值。
def rgb_adjuster_lin(image): target_bins = np.arange(255) target_freq = np.linspace(0, 1, len(target_bins)) freq_bins = [cumulative_distribution(image[:,:,i]) for i in range(3)] names = ['Reds', 'Blues', 'Greens'] line_color = ['red','green','blue'] adjusted_figures = [] f_size = 20 fig, ax = plt.subplots(1,3, figsize=[15,5]) for n, ax in enumerate(ax.flatten()): interpolation = np.interp(freq_bins[n][0], target_freq, target_bins) adjusted_image = img_as_ubyte(interpolation[image[:,:, n]].astype(int)) ax.set_title(f'{names[n]}', fontsize = f_size) ax.imshow(adjusted_image, cmap = names[n]) adjusted_figures.append([adjusted_image]) fig.tight_layout() fig, ax = plt.subplots(1,3, figsize=[15,5]) for n, ax in enumerate(ax.flatten()): interpolation = np.interp(freq_bins[n][0], target_freq, target_bins) adjusted_image = img_as_ubyte(interpolation[image[:,:, n]].astype(int)) freq_adj, bins_adj = cumulative_distribution(adjusted_image) ax.set_title(f'{names[n]}', fontsize = f_size) ax.step(bins_adj, freq_adj, c=line_color[n], label='Actual CDF') ax.plot(target_bins, target_freq, c='gray', label='Target CDF', linestyle = '--') fig.tight_layout() return adjusted_figureschannel_figures = return adjusted_figures
我们看到每个颜色通道都有显着改善。
此外，请注意上面的函数是如何将所有这些值作为列表返回。这将为我们的最后一步提供很好的帮助，将所有这些重新组合成一张图片。为了让我们更好地了解如何做到这一点，让我们检查一下我们的列表。
print(channel_figures)print(f'Total Inner Lists : {len(channel_figures)}')
我们看到在变量channel_figures中有三个列表。这些列表代表RGB通道的值。在下面，我们可以将所有这些值重新组合在一起。
plt.figure(num=None, figsize=(10, 8), dpi=80)imshow(np.dstack((channel_figures[0][0], channel_figures[1][0], channel_figures[2][0])));
请注意图像处理前后这种差异是多么显著。图像不仅明亮了许多，黄色的阴影也被移除了。让我们在不同的图像上进行同样的处理试试。
dark_street = imread('dark_street.png');plt.figure(num=None, figsize=(8, 6), dpi=80)imshow(dark_street);
现在我们已经加载了新的图片，让我们简单地通过函数来处理。
channel_figures_street = adjusted_image_data = rgb_adjuster_lin(dark_street)
plt.figure(num=None, figsize=(10, 8), dpi=80)imshow(np.dstack((channel_figures_street [0][0], channel_figures_street [1][0], channel_figures_street [2][0])));
我们可以看到惊人的变化。不可否认，这张照片曝光有点过度。这可能是因为后面有明显的霓虹灯。在以后的文章中，我们将学习如何微调我们的方法，以使我们的函数更加通用。
总结
在本文中，我们学习了如何调整每个RGB通道以保留图像的颜色信息。这种技术是对以前的灰度调整方法的重大改进。
