Я намагаюся зробити відповідність гістограми за допомогою Python, щоб покращити процес мозаїки декількох растров, що перекриваються. Я засновую свій код на тому, що знайдено в:
http://www.idlcoyote.com/ip_tips/histomatch.html
На сьогоднішній день мені вдалося вирізати область перекриття двох сусідніх растрових і згладити масив.
тому у мене є два одновимірних масиви однакової довжини.
Тоді я написав наступний код на основі цього, знайденого на вищезгаданому веб-сайті. У наведеному коді я замінив два дуже малі набори даних для зображень gd та bd.
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()Моя програма успішно описує гістограми та кумулятивні частотні розподіли ... і я вважав, що я маю частину правильної функції перетворення 'z' правильно .... але тоді, коли я використовую функцію розподілу 'fi' на 'bd_hist' спробувати співставити його з набором даних gd, все це має грушоподібну форму.
Я не математик, і, швидше за все, я пропустив щось досить очевидне.
cdf_bd = np.cumsum(bd_hist) / float(np.sum(bd_hist))