Ich versuche, mit Python einen Histogrammabgleich durchzuführen, um den Mosaikprozess mehrerer überlappender Raster zu verbessern. Ich stütze meinen Code auf den folgenden:
http://www.idlcoyote.com/ip_tips/histomatch.html
Bisher habe ich es geschafft, den überlappenden Bereich zweier benachbarter Raster zu beschneiden und das Array zu reduzieren.
Ich habe also zwei eindimensionale Arrays gleicher Länge.
Ich habe dann den folgenden Code geschrieben, der auf dem auf der obigen Website gefundenen basiert. In dem gezeigten Code habe ich die gd- und bd-Bilder durch zwei sehr kleine Datensätze ersetzt.
import matplotlib.pyplot as plt
from scipy.interpolate import interp1d
bins = range(0,100, 10)
gd_hist = [1,2,3,4,5,4,3,2,1]
bd_hist = [2,4,6,8,10,8,6,4,2]
nPixels = len(gd_hist)
# here we are creating the cumulative distribution frequency for the bad image
cdf_bd = []
for k in range(0, len(bins)-1):
b = sum(bd_hist[:k])
cdf_bd.append(float(b)/nPixels)
# here we are creating the cumulative distribution frequency for the good image
cdf_gd = []
for l in range(0, len(bins)-1):
g = sum(gd_hist[:l])
cdf_gd.append(float(g)/nPixels)
# we plot a histogram of the number of
plt.plot(bins[1:], gd_hist, 'g')
plt.plot(bins[1:], bd_hist, 'r--')
plt.show()
# we plot the cumulative distribution frequencies of both images
plt.plot(bins[1:], cdf_gd, 'g')
plt.plot(bins[1:], cdf_bd, 'r--')
plt.show()
z = []
# loop through the bins
for m in range(0, len(bins)-1):
p = [cdf_bd.index(b) for b in cdf_bd if b < cdf_gd[m]]
if len(p) == 0:
z.append(0)
else:
# if p is not empty, find the last value in the list p
lastval = p[len(p)-1]
# find the bin value at index 'lastval'
z.append(bins[lastval])
plt.plot(bins[1:], z, 'g')
plt.show()
# look into the 'bounds_error'
fi = interp1d(bins[1:], z, bounds_error=False, kind='cubic')
plt.plot(bins[1:], gd_hist, 'g')
plt.show
plt.plot(bins[1:], fi(bd_hist), 'r--')
plt.show()Mein Programm zeichnet die Histogramme und kumulativen Häufigkeitsverteilungen erfolgreich auf ... und ich dachte, ich hätte den Teil, die Transformationsfunktion 'z' korrekt zu machen ... aber dann, wenn ich die Verteilungsfunktion 'fi' auf der 'bd_hist' verwende. Um zu versuchen, es mit dem GD-Datensatz abzugleichen, wird alles birnenförmig.
Ich bin kein Mathematiker und es ist sehr wahrscheinlich, dass ich etwas ziemlich Offensichtliches übersehen habe.
cdf_bd = np.cumsum(bd_hist) / float(np.sum(bd_hist))