Python 无极值直方图均衡化

是否可以在没有极值0和255的情况下进行直方图均衡化

具体来说，我有一个图像，其中许多像素为零。超过一半的像素为零。因此，如果我在那里做直方图均衡化，我基本上会将值1移到值240，这与我想做的直方图均衡化正好相反。 那么，是否有一种方法只计算值1和254之间的直方图均衡化

目前，我的代码如下所示：

flat = image.flatten()

# get image histogram
image_histogram, bins = np.histogram(flat, bins=range(0, number_bins), density=True)

cdf = image_histogram.cumsum() # cumulative distribution function
cdf = 255 * cdf /cdf.max() # normalize
cdf = cdf.astype('uint8')

# use linear interpolation of cdf to find new pixel values
image_equalized = np.interp(flat, bins[:-1], cdf)

image_equalized =  image_equalized.reshape(image.shape), cdf

---

感谢

解决这个问题的一种方法是在制作直方图之前过滤掉不需要的值，然后制作一个从非标准化像素到标准化像素的“转换表”

import numpy as np

# generate random image
image = np.random.randint(0, 256, (32, 32))

# flatten image
flat = image.flatten()

# get image histogram
image_histogram, bins = np.histogram(flat[np.where((flat != 0) & (flat != 255))[0]],
                                     bins=range(0, 10),
                                     density=True)

cdf = image_histogram.cumsum() # cumulative distribution function
cdf = 255 * cdf /cdf.max() # normalize
cdf = cdf.astype('uint8')

# use linear interpolation of cdf to find new pixel values
# we make a list conversion_table, where the index is the original pixel value,
# and the value is the histogram normalized pixel value
conversion_table = np.interp([i for i in range(0, 256)], bins[:-1], cdf)
# replace unwanted values by original
conversion_table[0] = 0
conversion_table[-1] = 255
image_equalized = np.array([conversion_table[pixel] for pixel in flat])

image_equalized =  image_equalized.reshape(image.shape), cdf

---

免责声明：我完全没有任何图像处理经验，因此我不知道其有效性：）

我现在正在打电话，因此我无法尝试任何事情，但如果数据中存在NAN，会发生什么？它还能用吗？如果是这样的话，您可以将不需要的NR替换为NaN，并进行规范化，然后将它们重新放置。