直方均衡化

最新推荐文章于 2023-10-10 20:52:22 发布

YZXnuaa

最新推荐文章于 2023-10-10 20:52:22 发布

阅读量342

点赞数 1

分类专栏：图像基本处理

图像基本处理专栏收录该内容

20 篇文章 1 订阅

订阅专栏

作者：王彦恒
链接：https://www.zhihu.com/question/37204742/answer/221844779
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

为简化问题，仅讨论灰度图像的直方图均衡。

设输入图像为二元函数 f(x, y) ，输出图像为二元函数 g(x, y)，显然二者尺寸相等。我们知道，那些灰度值分布较为平均的图像，通常对比度较高。比如，下图中 g 的灰度较分散（有白的有灰的有黑的），所以对比度较高；f 的灰度很集中，所以显得灰蒙蒙的。直方图均衡的目的，就是对 f 进行处理产生 g，使得 g 的灰度值比 f 更分散。

&lt;img src="https://pic4.zhimg.com/50/v2-a3ee22f43f9d9ba6b651766811e30593_hd.jpg" data-caption="" data-size="normal" data-rawwidth="418" data-rawheight="129" class="content_image" width="418"&gt;

怎么做呢？如果我们有一个恰当的 灰度映射函数 T 就好了，它能把输入灰度值 r 映射为输出灰度值为 s，即 s = T(r) 。假设图像的灰度值连续，由黑到白取值为1～L中的实数。灰度映射函数 T 可能长这样：

$s = T(r) = \begin{cases} 1, &r \in [1, \frac{L}{4}] \cr 2r - \frac{L}{2}, &r \in [\frac{L}{4}, \frac{3L}{4}] \cr L, &r \in [\frac{3L}{4} , L] \end{cases}$

用图形来表达就是：

&lt;img src="https://pic1.zhimg.com/50/v2-b0259ed13c3f2c80e6fc733db1e1433b_hd.jpg" data-caption="" data-size="normal" data-rawwidth="221" data-rawheight="120" class="content_image" width="221"&gt;

对图像施以该灰度映射，图示如下：

&lt;img src="https://pic3.zhimg.com/50/v2-138b41f4ff605da60a506e2ed826d948_hd.jpg" data-caption="" data-size="normal" data-rawwidth="562" data-rawheight="133" class="origin_image zh-lightbox-thumb" width="562" data-original="https://pic3.zhimg.com/v2-138b41f4ff605da60a506e2ed826d948_r.jpg"&gt;

看起来不错。不过——

有一句老话叫做“具体问题具体分析”，这告诉我们：决不可能使用某个特定的 T 一劳永逸。那么，有没有办法“自动地”根据实际情况生成 T 呢？答案是肯定的。请接着往下看。

设任意灰度值 t 在 f 中出现的概率为函数 p_f(t) ，在 g 中出现的概率为函数 p_g(t) 。这两个函数均可以直接由图像统计出来。然后，我们定义两个函数

$S_f(n) = \int_{1}^{n}p_f(t)dt$ （意义：f 中灰度值小于 n 的概率）

以及

$S_g(n) = \int_{1}^{n}p_g(t)dt$ （意义：g 中灰度值小于 n 的概率）

那么必然有

$S_f(r) = S_g[T(r)] \Leftrightarrow S_f(r) = S_g(s) \ \ \cdots \cdots(1)$

为什么呢？这是因为我们必须保证：原本比 r 暗的灰度，在变换后依然比 s 暗；原本比 r 亮的灰度，在变换后依然比 s 亮。如果连这一点都不能保证，那么输出的图像就会黑白颠倒一团糟。

比方说，若 r = 1/3 ，变换后 s = T(r) = 5/2 。那么，f 中灰度值小于1/3的像素数目＝＝ g 中灰度值小于5/2的像素数目，用频率估算概率，也就是 f 中灰度值小于1/3的概率＝＝ g 中灰度值小于5/2的概率。还不懂？看图！

&lt;img src="https://pic2.zhimg.com/50/v2-8442991c72072f0c82c95def19912f6a_hd.jpg" data-caption="" data-size="normal" data-rawwidth="250" data-rawheight="187" class="content_image" width="250"&gt;

弄清楚 (1) 式的含义后，对其微分就得到下面的式子：

$p_f(r) \cdot dr = p_g(s) \cdot ds \ \ \cdots\cdots (2)$

再接下来，如果我们令变换 $T(r) = L \cdot S_f(r)$ ，那么：

$\begin{align} s &= T(r) \\ &= L \cdot S_f(r)\\ &= L \cdot \int_{1}^{r}p_f(t)dt \\ \Rightarrow \frac{ds}{dr} &= L \cdot p_f(r) \ \ \cdots \cdots (3) \end{align}$

其中的第三行，t 是积分变量，真正的自变量是积分上限 r。

由 (2)(3) 得

p_g(s) = 1/L

奇迹出现了：g 中各灰度出现概率相等，为常数1/L。也就是说，各灰度被完全均摊了！

于是我们知道，无论输入图像是什么，只要统计它之中各灰度值出现的概率 p_f ，然后生成映射函数 $T(r) = L \cdot S_f(r) = L \cdot \int_{1}^{r} p_f(t)dt$ ，剩下的事就是逐个映射图中灰度即可。

现实中数字图像的灰度值是离散的，对此我们只需略作修改。假设图像最多含有 L 种灰度级，由黑到白依次编号为 $1, 2, \cdots, L$ 。每个灰度级在 f 中出现的概率依次为 $p_f(1), p_f(2), \cdots, p_f(L)$ ，在 g 中出现的概率依次为 $p_g(1), p_g(2), \cdots, p_g(L)$ 。

函数定义改为： $S_f(n) = \sum_{i=1}^{n}{p_f(i)}$ 以及 $S_g(n) = \sum_{i=1}^{n}{p_g(i)}$ ，其余同理。

可惜的是，在灰度值离散的情况下，r 和 s 均为整数，我们必须对映射结果取整，这导致 g 中各灰度值出现的概率未必相等。但是可以确定的是： g 的灰度级在一定程度上比 f 更分散了。

至于直方图匹配呢，原理相同，只是多一步而已，详见图像处理教材，在此不再赘述。

参考资料：

Digital Image Processing (3rd Edition), R.C. Gonzalez and R.E. Woods

YZXnuaa

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
直方均衡化

作者：王彦恒链接：https://www.zhihu.com/question/37204742/answer/221844779来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。为简化问题，仅讨论灰度图像的直方图均衡。设输入图像为二元函数 f(x, y) ，输出图像为二元函数 g(x, y)，显然二者尺寸相等。我们知道，那些灰度值分布较为平均的图像，通常对比度较高。比...
复制链接

扫一扫

专栏目录