python - MATLAB 的直方图均衡有什么问题？

Question

我正在尝试对 16 位灰度图像进行直方图均衡，原始直方图如下所示，其灰度级约为 25000:

我首先使用 MATLAB，但由于某种原因，输出中的总级别显着减少(只有 21!)。我尝试手动分配 20,000 的 bin 编号，但输出级别仍然很小 (67)。

然后我在 Python 中尝试了 Scikit-Image，一切都按预期工作——输出现在有 16,500 个级别，并且直方图非常平坦。

这是 MATLAB 命令:

J = histeq(I,2e4);

这是 Python 命令:

img_eq_sk = exposure.equalize_hist(img_16bit)

由于直方图均衡是一个基本操作，我希望 MATLAB 和 Python 的行为类似，但根据此 MATLAB 的结果甚至不如 Skimage 的好。

Answer 1

我可以验证您所看到的内容:

I = uint16(randn(1000,1000) * 5000 + 3e4);
imhist(I)
size(unique(I(:))) % returns: 31290 unique gray values

J = histeq(I,8e5); % actually uses only 6.5e4, the max for uint16
imhist(J)
size(unique(J(:))) % returns: 158 unique gray values

K = histeq(im2double(I),8e5);
imhist(K)
size(unique(K(:))) % returns: 175 unique gray values

当输入值需要显着拉伸(stretch)时，许多不同的灰度值最终会出现在同一个输出箱中，并且许多输出箱保持为空。

当使用双图像(上面代码中的K)查看结果时，我们可以看到随着参数增加到histeq，唯一输出灰度级的数量如何增加。 .

也就是说，输出被量化为一组值(上例中为 800,000)，而不仅仅是输入。因此，如果其中许多输出箱是空的，则将很少有不同的输出灰度值。

没有必要以这种方式实现直方图均衡，从OP中使用的Python实现可以看出。然而，这种实现似乎并没有错，它只是不必要地量化了输出。

然而，由于直方图均衡仅对可视化有用，并且对于可视化来说不需要超过大约 100 个不同的灰度值(无论如何我们无法区分更多)，因此输出量化应该不是一个大问题。如果您将直方图均衡用于其他任何事情(即图像分析和量化)，那么您就错了!