直方图规定化python代码

直方图规定化是一种将图像的直方图分布调整为与参考图像相似的方法。下面是一个使用Python实现直方图规定化的示例代码：

import cv2
import numpy as np

def histogram_matching(image, reference):
    # 计算图像和参考图像的直方图
    hist_image, _ = np.histogram(image.flatten(), bins=256, range=[0,256])
    hist_reference, _ = np.histogram(reference.flatten(), bins=256, range=[0,256])

    # 计算累积直方图
    cdf_image = hist_image.cumsum()
    cdf_reference = hist_reference.cumsum()

    # 归一化累积直方图
    cdf_image_normalized = cdf_image / cdf_image.max()
    cdf_reference_normalized = cdf_reference / cdf_reference.max()

    # 创建一个空白图像，用于存储规定化后的图像
    matched_image = np.zeros_like(image)

    # 对每个像素进行规定化
    for i in range(256):
        # 找到最接近的灰度级别
        diff = np.abs(cdf_image_normalized[i] - cdf_reference_normalized)
        min_diff_index = np.argmin(diff)
        # 将像素映射到参考图像的灰度级别
        matched_image[image == i] = min_diff_index

    return matched_image

# 读取图像和参考图像
image = cv2.imread('image.jpg', 0)
reference = cv2.imread('reference.jpg', 0)

# 进行直方图规定化
matched_image = histogram_matching(image, reference)

# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Reference Image', reference)
cv2.imshow('Matched Image', matched_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

这段代码使用OpenCV库来读取图像，并实现了一个名为`histogram_matching`的函数来进行直方图规定化。该函数首先计算图像和参考图像的直方图，然后计算累积直方图，并将其归一化。接下来，对于每个像素，找到最接近的灰度级别，并将像素映射到参考图像的灰度级别。最后，返回规定化后的图像。