Нормализация гистограммы (яркости и контрастности) набора изображений с помощью библиотеки изображений Python (PIL)

у меня есть скрипт, который использует Google Maps API для загрузки последовательности квадратных спутниковых изображений одинакового размера и генерирует PDF. Изображения нужно поворачивать заранее, и я уже делаю это с помощью PIL.

я заметил, что из-за различных условий освещения и местности некоторые изображения слишком яркие, другие слишком темные, и полученный pdf заканчивается немного уродливым, с менее идеальными условиями чтения "в поле" (который является бэккантри горный велосипед, где я хочу иметь печатный эскиз конкретного перекрестка).

(EDIT) цель состоит в том, чтобы сделать все изображения в конечном итоге с одинаковой кажущейся яркостью и контрастностью. Поэтому слишком яркие образы должны быть затемнены, а темные-освещены. (кстати, я когда-то использовал imagemagick autocontrast или auto-gamma или equalize или autolevel, или что-то в этом роде, с интересными результатами в медицинских изображениях, но не знаю, как это сделать в PIL).

Я уже привык некоторые исправления изображения после преобразования в оттенки серого (некоторое время назад был принтер оттенков серого), но результаты тоже не были хорошими. Вот мой код оттенков серого:

#!/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

этот код работает независимо для каждого изображения. Интересно, было бы лучше сначала проанализировать все изображения, а затем "нормализовать" их визуальные свойства (контраст, яркость, гамма и т. д.).

кроме того, я думаю, что было бы необходимо выполнить некоторый анализ на изображении (гистограмма?), чтобы применить обычай коррекция в зависимости от каждого изображения, а не равный коррекции для всех из них (хотя никакого "усиления" функции неявно считает начальных условиях).

у кого-нибудь была такая проблема и/или знаете хорошую альтернативу для этого с цветного изображения (без оттенков серого)?

любая помощь будет оценили, спасибо за чтение!

8
brightness contrast image-processing python python-imaging-library

2 ответов

вероятно, вы ищете утилиту, которая выполняет "растяжение гистограммы". вот одна реализация. Я уверен, что есть и другие. Я думаю, вы хотите сохранить исходный оттенок и применить эту функцию равномерно по всем цветовым полосам.

конечно, есть хороший шанс, что некоторые плитки будут иметь заметный разрыв в уровне, где они присоединяются. Однако, чтобы избежать этого, потребуется пространственная интерполяция параметров " растяжения и это гораздо более сложное решение. (...но было бы хорошим упражнением, если есть такая необходимость.)

Edit:

вот настройка, которая сохраняет оттенок изображения:

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)
4

следующий код работает на изображениях из микроскопа (которые похожи), чтобы подготовить их до сшивания. Я использовал его на тестовом наборе из 20 изображений с разумными результатами.

функция средней яркости от другого Stackoverflow вопрос.

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

в этот момент значения "коррекции" (т. е. разница между значением и средним) хранятся в deltaList. Следующий раздел касается это коррекция всех фото один.

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
1