Saya mencoba melakukan pencocokan histogram menggunakan Python untuk meningkatkan proses mosaik beberapa raster yang tumpang tindih. Saya mendasarkan kode saya pada yang ditemukan di:
http://www.idlcoyote.com/ip_tips/histomatch.html
Sampai saat ini, saya telah berhasil klip area yang tumpang tindih dari dua raster yang berdekatan dan meratakan array.
jadi saya punya dua array 1 dimensi dengan panjang yang sama.
Saya kemudian menulis kode berikut berdasarkan yang ditemukan di situs web di atas. Dalam kode yang ditunjukkan, saya telah mengganti dua dataset sangat kecil untuk gambar gd dan 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()
Program saya memplot histogram dan distribusi frekuensi kumulatif dengan sukses ... dan saya pikir saya memiliki bagian untuk mendapatkan fungsi transformasi 'z' benar .... tetapi kemudian ketika saya menggunakan fungsi distribusi 'fi' pada 'bd_hist' untuk mencoba mencocokkannya dengan gd dataset semuanya berbentuk pear.
Saya bukan ahli matematika dan sangat mungkin saya telah mengabaikan sesuatu yang cukup jelas.
cdf_bd = np.cumsum(bd_hist) / float(np.sum(bd_hist))