原理部分转载于:直方图均衡化算法原理与实现
bin的理解和直观展示见 part2
part1 直方图均衡化算法原理
我们知道提高图像对比度的变换函数f(x)需要满足以下条件:
- f(x)在0<=x<=L−1上单调递增(不要求严格单调递增),其中L表示灰度级(L=256)
- f(x)的范围是[0,L−1]
我们知道当图像直方图完全均匀分布的时候,此时图像的熵是最大的(随机变量每个值的概率都相同时,概率最大),图像对比度是最大的。所以,理想情况下,图像经过变换函数f(x)
变换后,直方图能够均匀分布,此时对比度是最大的。
那问题来了?怎样的变换函数具有如此神奇的功能呢?[1]P74中给出了答案。
在图像处理中,有一个重要的函数,能够满足上面的条件:
英文原版中P145中的表述为:
其中px(x)表示概率密度函数,在离散的图像中,表示直方图的每个灰度级的概率(在图像中,灰度级就可以看成是一个随机变量,而直方图就是该随机变量的概率密度函数),由概率论的知识,我们可以知道,变换函数f(x)其实就是连续型随机变量x的分布函数,表示的是函数下方的面积。
分布函数的两个性质:1.单调不减 2.值域为[0,1],我们可以知道f(x)满足条件1和2
有人可能会有这个疑问?图像是离散的,为什么可以用连续的来表示呢?从数学角度来看,离散是连续的一种特例(图像就是一个很好的例子)。
下面我们证明变换后的直方图是均匀的。
由概率论知识,变换后的概率密度:
由变上限函数求导法则可知
反函数的导数等于原函数导数的倒数,所以
所以
看到了吧,变换后的概率密度函数是一个均匀分布,对于图像来说,就是每个灰度级概率都是相等的,达到了我们的目的。
下面我们需要将这个变换函数转换为图像中的表达,图像中,我们可以知道,可以使用求和代替积分,差分代替微分,所以上述的变换函数就是:
其中h(xi)表示直方图中每个灰度级像素的个数, w和 h分别表示图像的宽和高。
参考文献
《数字图像处理》第3版,冈萨雷斯
part2 直方图均衡化算法原理
bin的含义:计算颜色直方图需要将颜色空间划分为若干小的颜色区间,即直方图的bin,通过计算颜色在每个小区间内德像素得到颜色直方图,bin越多,直方图对颜色的分辨率越强,但增加了计算机的负担。
由下面的对比可以很容易理解bin的含义,途中一个柱体就代表一个bin,bin越多,表示越精细。