数字图像处理02（直方图及均衡化，规定化，局部对比度增强）

图像对比度增强的方法可以分成两类:一类是直接对比度增强方法;另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。直方图拉伸是通过对比度拉伸对直方图进行调整，从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强。

　　直方图均衡化的英文名称是Histogram Equalization.

　　直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。

基本思想

　　直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。

　　直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。设原始图像在(x，y)处的灰度为f，而改变后的图像为g，则对图像增强的方法可表述为将在(x，y)处的灰度f映射为g。在灰度直方图均衡化处理中对图像的映射函数可定义为:g = EQ (f)，这个映射函数EQ(f)必须满足两个条件(其中L为图像的灰度级数):

　　(1)EQ(f)在0≤f≤L-1范围内是一个单值单增函数。这是为了保证增强处理没有打乱原始图像的灰度排列次序，原图各灰度级在变换后仍保持从黑到白(或从白到黑)的排列。

　　(2)对于0≤f≤L-1有0≤g≤L-1，这个条件保证了变换前后灰度值动态范围的一致性。

　　累积分布函数(cumulative distribution function，CDF)即可以满足上述两个条件，并且通过该函数可以完成将原图像f的分布转换成g的均匀分布。此时的直方图均衡化映射函数为:

　　gk = EQ(fk) = (ni/n) = pf(fi) ，

　　(k=0，1，2，……，L-1)

　　上述求和区间为0到k，根据该方程可以由源图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值。在实际处理变换时，一般先对原始图像的灰度情况进行统计分析，并计算出原始直方图分布，然后根据计算出的累计直方图分布求出fk到gk的灰度映射关系。在重复上述步骤得到源图像所有灰度级到目标图像灰度级的映射关系后，按照这个映射关系对源图像各点像素进行灰度转换，即可完成对源图的直方图均衡化。

 

 图像直方图变换的基本原理：

设变量r代表图像中像素的灰度级，直方图变换就是假定一个变换式：

                            （1-1）

也就是，通过上述变换，每个原始图像的像素灰度级r都会产生一个s值。变换函数T(r)应满足以下条件：

（1）       T(r)在区间中为单值且单调递增；

（2）       当 时，，即T(r)的取值范围与r相同。

2. 直方图均衡化：

对于离散值，我们处理其概率与求和，而不是概率密度函数与积分。一幅图像中灰度级r_k出现的概率近似为

　　　　　　　　　　　　　　　　　　　　　　　　　　                      （1-2）

其中，n是图像中像素的总和， 是灰度级 的像素个数，L为图像中可能的灰度级总数。

                       　　　　　　　　　　　　　　　　　　　　    （1-3）

         上式中变换函数的离散形式为：    

           　　　　　　　　　　　　　　　　　　　　　　　　          (1-4)

         式（1-4）给出的变换（映射）称为直方图均衡化或直方图线性化。

优缺点

　　这种方法对于背景和前景都太亮或者太暗的图像非常有用，这种方法尤其是可以带来X光图像中更好的骨骼结构显示以及曝光过度或者曝光不足照片中更好的细节。这种方法的一个主要优势是它是一个相当直观的技术并且是可逆操作，如果已知均衡化函数，那么就可以恢复原始的直方图，并且计算量也不大。

　　这种方法的一个缺点是它对处理的数据不加选择，它可能会增加背景杂讯的对比度并且降低有用信号的对比度；变换后图像的灰度级减少，某些细节消失；某些图像，如直方图有高峰，经处理后对比度不自然的过分增强。

 

具体应用直方图均衡化算法对某些图像进行处理的过程中, 我们发现, 经典的直方图均衡化处理后的图像, 有可能存在下述的不足:

(1)输出图像的实际灰度变化范围很难达到图像格式所允许的最大灰度变化范围。

(2)输出图像的灰度分布直方图虽然接近均匀分布, 但其值与理想值1/n仍有可能存在较大的差异, 并非是最佳值。   

(3)输出图像的灰度级有可能被过多地合并。由于灰度的吞噬也易造成图像信息的丢失。

已有的一种改进的直方图均衡化图像增强算法:

                      具体的实现过程如下:

(4) 由灰度映射表的对应关系, 修正原始图像的灰度级。同样按照经典直方图均衡化的三个步骤，进行图像灰度级的变换。我们令此时的灰度映射函数为 。

用此种改进的算法对图像进行处理可以得到比传统算法更好的效果，但是前述的三个问题仍然有一定程度的存在。

局部对比度增强法：

从而实现了细节增强, 也可以看到这种方法只 起到窗内局部对比度增强作用, 并没有调节整幅图像动态范围。通过上面的讨论可以看到, 局部对比度增强法能强化局部图像细节, 不能改善整幅图像动态范围, 而直方图均衡法虽能改善整幅图像的动态范围但是以牺牲图像细节为代价。因此我们考虑将这两种方法结合起来，从而可以弥补各自的不足。

 

提出了一种新的改进算法：

 通过上面的讨论可以看到, 局部对比度增强法能强化局部图像细节, 不能改善整幅图像动态范围, 而直方图均衡法虽能扩大视觉的动态范围但是以牺牲图像细节为代价, 若能将这两种方法结合起来, 就可充分发挥两者之长处。比较上述两方法的优缺点, 提出了一种新的直方图均衡法：我们将改进后的直方图均衡算法和局部对比度增强法结合起来。它能同时满足图像增强的两种要求: 调节动态范围,增强局部对比度,前者使图像外貌较好, 后者能增强图像细节。

 

具体算式如下：

般使 在图像细节处值较大，而在背景噪声区域值趋于0。

把这个算法应用于图像处理中,用MATLAB编程实现,取得了较好的效果:

            图1                                     图2

          

   图3                                       图4

   图1、图2分别是原始图像和原始图像的直方图,图3、图4分别是我们提出的算法处理后的图像和其直方图。可以看出，经过新的算法增强后的图像效果比传统的直方图均衡化效果更好。

4  结论

    改进后的算法可以比传统的直方图均衡化图像增强算法获得更好的效果，还可以考虑将传统的直方图均衡化方法用其他更好的方法改进,再和局部对比度增强法结合起来,这也可以作为进一步的工作。

5.直方图规定化（直方图匹配）

  在实际应用中，希望能够有目的地增强某个灰度区间的图像， 即能够人为地修正直方图的形状， 使之与期望的形状相匹配，这就是直方图规定化的基本思想。换句话 说，希望可以人为地改变直方图形状，使之成为某个特定的形状，直方图规定化就是针对上述要求提出来的一种增强技术，它可以按照预先设定的某个形状来调整图像 的直方图。直方图规定化是在运用均衡化原理的基础上，通过建立原始图像和期望图像之间的关系，选择地控制直方图，使原始图像的直方图变成规定的形状，从而弥 补了直方图均衡不具备交互作用的特性。

步骤如下：