Este team de expertos pasados algunos días de investigación y de recopilar de información, hemos dado con la solución, queremos que te sea de utilidad en tu proyecto.
Solución:
El comentario de Moose que apunta a esta entrada de blog hace el trabajo bastante bien.
Para completar, doy un ejemplo aquí usando nombres de variables más agradables y una ejecución en bucle en 1000 imágenes de 96×96 que están en un 4D array como en la pregunta. Es rápido (1-2 segundos en mi computadora) y solo necesita NumPy.
import numpy as np
def image_histogram_equalization(image, number_bins=256):
# from http://www.janeriksolem.net/2009/06/histogram-equalization-with-python-and.html
# get image histogram
image_histogram, bins = np.histogram(image.flatten(), number_bins, density=True)
cdf = image_histogram.cumsum() # cumulative distribution function
cdf = 255 * cdf / cdf[-1] # normalize
# use linear interpolation of cdf to find new pixel values
image_equalized = np.interp(image.flatten(), bins[:-1], cdf)
return image_equalized.reshape(image.shape), cdf
if __name__ == '__main__':
# generate some test data with shape 1000, 1, 96, 96
data = np.random.rand(1000, 1, 96, 96)
# loop over them
data_equalized = np.zeros(data.shape)
for i in range(data.shape[0]):
image = data[i, 0, :, :]
data_equalized[i, 0, :, :] = image_histogram_equalization(image)[0]
Una forma muy rápida y fácil es utilizar la función de distribución acumulativa proporcionada por el módulo skimage. Básicamente lo que haces matemáticamente para probarlo.
from skimage import exposure
import numpy as np
def histogram_equalize(img):
img = rgb2gray(img)
img_cdf, bin_centers = exposure.cumulative_distribution(img)
return np.interp(img, bin_centers, img_cdf)
Si haces scroll puedes encontrar las crónicas de otros gestores de proyectos, tú todavía tienes el poder insertar el tuyo si lo crees conveniente.