No estoy seguro de si esto es posible si está escalando linealmente la imagen. Sin embargo, puede probar la ecualización de histograma adaptativo limitado de contraste de OpenCV:

 import cv2 as cv import numpy as np import matplotlib.pyplot as plt img = cv.imread('3NKTJ.jpg', cv.IMREAD_GRAYSCALE) img_clahe = img.copy() img_clahe = img_clahe/np.max(img_clahe) img_clahe = (255*img_clahe).astype(np.uint8) clahe = cv.createCLAHE(clipLimit=5, tileGridSize=(3,3)) img_clahe = clahe.apply(img_clahe) img_s = img/255 img_s = img_s / np.max(img_s) img_s = img_s*255 histogram = cv.calcHist([img], [0], None, [256], [0, 256]) histogram1 = cv.calcHist([img_s.astype('uint8')], [0], None, [256], [0, 256]) histogram2 = cv.calcHist([img_clahe.astype('uint8')], [0], None, [256], [0, 256]) plt.figure(dpi=100) plt.title("Grayscale Histogram") plt.xlabel("grayscale value") plt.ylabel("pixels") plt.plot(histogram, label='Original Image') # <- or here plt.plot(histogram1, label='Equalised Image') # <- or here plt.plot(histogram2, label='CLAHE Image') plt.legend() plt.show()

Puede jugar con clipLimit y tileGridSize para que la imagen tenga el aspecto que desea. Los valores predeterminados son 40.0 y (8, 8) .

Estoy tratando de escalar linealmente una imagen para que se use todo el rango de escala de grises

Para aumentar la dinámica de la imagen, existe un método común de procesamiento de imágenes llamado "Ecualización de histograma" (ver: cv.equalizeHist() , doc )

Para obtener un mejor resultado, debe eliminar los valores extremos de la imagen, para eliminar la sub/sobreexposición.

Para ello, sobre la imagen ecualizada:

• calcular la suma acumulada del histograma
• encuentre la primera intensidad menor que la rate y la primera mayor que 1-rate
• recorte todas las intensidades de imagen a esos 2 valores.

Aquí hay un código de muestra:

 def equalize_hist(data: np.ndarray, rate: float) -> np.ndarray: data = cv.equalizeHist(data.astype(np.uint8)) hist = np.cumsum(np.histogram(data, 255)[0]) lowest_value = np.where((rate * hist[-1]) <= hist)[0][0] highest_value = np.where(((1 - rate) * hist[-1]) >= hist)[0][-1] sdata[self.data < lowest_value] = lowest_value data[self.data > highest_value] = highest_value return data

Un valor común para la rate es 0,05. A medida que aumenta la velocidad, aumenta la dinámica de la imagen, pero pierde información. No puede aumentar la rate encima de 0,5.

Deberías leer sobre la corrección gamma :

usando el código de esta respuesta que usa una forma automática de calcular el valor gamma, obtienes los siguientes resultados:

Método 1:

Método2:

Y el histograma de la imagen corregida (método 2) se ve así:

** Edit2: ** O podría usar un método lineal para cambiar la escala de cada canal entre 0 y 255. Usando este código:

 def apply_white_balance_single_channel(img, low_ratio=0.001, high_ratio=0.001): hist_size = 256 hist = cv2.calcHist([img], [0], None, [hist_size], [0,hist_size]) acc = np.cumsum(hist) low_limit = low_ratio * acc[-1] high_limit = high_ratio * acc[-1] min_gray = 0 while acc[min_gray] < low_limit and min_gray + 1 < hist_size: min_gray += 1 max_gray = hist_size - 1 while acc[max_gray] >= acc[-1] - high_limit and max_gray > min_gray: max_gray -= 1 input_range = max_gray - min_gray alpha = (hist_size - 1) / input_range beta = -min_gray * alpha return (alpha * img + beta).clip(0,255).astype(np.uint8) def apply_white_balance_multi_channel(img, low_ratio=0.001, high_ratio=0.001): channels = cv2.split(img) return cv2.merge([apply_white_balance_single_channel(ch, low_ratio, high_ratio) for ch in channels])

Lo que da el siguiente resultado:

Imagen reescalada:

El histograma:

Editar3

O podría usar una versión más simple para hacer el cambio de escala lineal usando una simple normalización min-max:

 def apply_white_balance_multi_channel_min_max(img): channels = cv2.split(img) return cv2.merge([cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX) for ch in channels])

Creo que lo que tienes en mente es una curva spline que pasa por tus puntos. Aquí está cómo hacerlo:

 import cv2 as cv import numpy as np import matplotlib.pyplot as plt from scipy import interpolate img = cv.imread(r'3NKTJ.jpg', cv.IMREAD_GRAYSCALE) img_s = img/255 img_s = img_s / np.max(img_s) img_s = img_s*255 histogram = cv.calcHist([img], [0], None, [256], [0, 256]) histogram1 = cv.calcHist([img_s.astype('uint8')], [0], None, [256], [0, 256]) x=np.linspace(0,len(histogram1),len(histogram1)) # x: 0 --> 255 with step=1 X=np.where(histogram1>0)[0] # extract bins with non-zero histogram1 values Y=histogram1[X] # the corresponding Y values F=interpolate.splrep(X, Y) # spline representation of (X,Y) Ynew = interpolate.splev(x, F) # calculate interpolated Ynew plt.figure() plt.title("Grayscale Histogram") plt.xlabel("grayscale value") plt.ylabel("pixels") plt.plot(histogram, label='Original Image') # <- or here plt.plot(histogram1, label='Equalised Image') # <- or here plt.plot(x,Ynew, label='spline interpolation of Equalised Image')

A continuación, el resultado:

Saludos, Stéphane