使用Python图像库(PIL)规范化一组图像的直方图(亮度和对比度)

Question

我有一个脚本，它使用Google Maps API下载一系列等大小的正方形卫星图像并生成PDF。这些图像需要事先旋转，我已经使用PIL这样做了。

我注意到，由于不同的光线和地形条件，有些图像太亮，有些太暗，结果pdf最终有点难看，"在野外"的阅读条件不太理想(这是野外山地自行车，我想在那里打印一个特定十字路口的缩略图)。

然后，目标是使所有图像最终具有相似的表观亮度和对比度。所以，太亮的图像必须变暗，而暗的图像必须变亮。(顺便说一下，我曾经使用imagemagick autocontrast，或auto-gamma，或equalize，或autolevel，或类似的东西，在医学图像中有有趣的结果，但不知道如何在PIL中实现这些)。

我已经在转换为灰度后使用了一些图像校正(前一段时间有一台灰度打印机)，但结果也不太好。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

此代码对每个图像独立工作。我想知道是否最好先分析所有图像，然后"规范化"它们的视觉属性(对比度，亮度，伽马等)。

此外，我认为有必要对图像(直方图?)进行一些分析，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相等的校正(尽管任何"增强"函数隐式地考虑初始条件)。

有没有人有这样的问题和/或知道一个很好的替代方法来做这个彩色图像(没有灰度)?

任何帮助将不胜感激，感谢阅读!

Answer 1

您可能正在寻找的是执行"直方图拉伸"的实用程序。这里有一个实现。我相信还有其他人。我认为你应该保留原来的色调，并在所有色带上统一应用这个函数。

当然，有一个很好的机会，一些瓷砖将有一个明显的不连续性的水平，他们加入。然而，要避免这种情况，就需要对"拉伸"参数进行空间插值，这是一个更复杂的解决方案。（…但如果有需要，这将是一个很好的练习。

编辑:

这是一个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)

Answer 2

下面的代码处理显微镜上的图像(这是相似的)，在拼接之前准备它们。我在20张图片的测试集上使用了它，得到了合理的结果。

亮度平均函数来自另一个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，"修正"值(即值与平均值之间的差值)存储在deltaList中。以下部分将逐个对所有图像应用此校正。

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