histogramequalization

最新推荐文章于 2020-03-06 20:45:42 发布

chezhai

最新推荐文章于 2020-03-06 20:45:42 发布

阅读量701

点赞数

分类专栏： study_matlab

study_matlab 专栏收录该内容

31 篇文章 0 订阅

订阅专栏

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【1】。
下图为直方图均衡化的过程，体现了“均衡”的含义：（概率密度的均匀）这里写图片描述
网上可以查阅到关于直方图均衡化的各种解释、用法、程序、优缺点，这里只关注直方图均衡化的数学原理（可以参阅【1】）。
我们知道直方图变换其实是一种灰度变换，灰度变换的变换函数决定了输入随机变量与输出随机变量之间的关系，也就是两个随机变量的关系；一副图像是二维离散的数据，不利于使用数学的工具进行处理，在数字图像处理中，我们通常是采用连续的变量进行推导，最后在推广到离散的情况。
以下我们介绍：1.图像直方图的定义 2.直方图变换的理论基础（为什么介绍它？直方图变换是直方图均衡化的基础）3.概率知识-随机变量的函数分布 4.直方图均衡化的理论基础 5.离散形式的直方图均衡化。
一、图像直方图的定义
1.定义（1）：这里写图片描述
2.定义（2）：

3.比较：
二、直方图变换的理论基础

注意：T（r）为单值单调增加（此为数字图像处理-冈萨雷斯-第二版中的表述），在第三版中有一些变化，具体的可以查阅此书的对应章节。

三、概率论的知识-随机变量的函数的分布
这里写图片描述

四、直方图均衡化的理论基础

五、离散形式的直方图均衡化

六、例子

参考资料：
【1】：【数字图像处理】直方图均衡化详解及编程实现
http://blog.csdn.net/xiajun07061225/article/details/6910129

直方图均衡化的作用是图像增强。

有两个问题比较难懂，一是为什么要选用累积分布函数，二是为什么使用累积分布函数处理后像素值会均匀分布。

第一个问题。均衡化过程中，必须要保证两个条件：①像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；②如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。综合以上两个条件，累积分布函数是个好的选择，因为累积分布函数是单调增函数（控制大小关系），并且值域是0到1（控制越界问题），所以直方图均衡化中使用的是累积分布函数。

第二个问题。累积分布函数具有一些好的性质，那么如何运用累积分布函数使得直方图均衡化？比较概率分布函数和累积分布函数，前者的二维图像是参差不齐的，后者是单调递增的。直方图均衡化过程中，映射方法是

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

来看看通过上述公式怎样实现的拉伸。假设有如下图像：

得图像的统计信息如下图所示，并根据统计信息完成灰度值映射：

映射后的图像如下所示：

以上就是直方图映射均衡化的步骤，当然还有一些基于此的更优算法，比如Photoshop中的方法，在此就不一一列举了，大同小异。

参考：

http://blog.csdn.NET/zrongh/article/details/7302816 直方图均衡化原理

http://bbs.ednchina.com/BLOG_ARTICLE_219471.HTM 直方图均衡化

%直方图均衡化
I = imread('rice.png');
[height,width] = size(I);
figure
subplot(221)
imshow(I)%显示原始图像
subplot(222)
imhist(I)%显示原始图像直方图
%进行像素灰度统计;
NumPixel = zeros(1,256);%统计各灰度数目，共256个灰度级
for i = 1:height
for j = 1: width
NumPixel(I(i,j) + 1) = NumPixel(I(i,j) + 1) + 1;%对应灰度值像素点数量增加一
end
end
%计算灰度分布密度
ProbPixel = zeros(1,256);
for i = 1:256
ProbPixel(i) = NumPixel(i) / (height * width * 1.0);
end
%计算累计直方图分布
CumuPixel = zeros(1,256);
for i = 1:256
if i == 1
CumuPixel(i) = ProbPixel(i);
else
CumuPixel(i) = CumuPixel(i - 1) + ProbPixel(i);
end
end
%累计分布取整
CumuPixel = uint8(255 .* CumuPixel + 0.5);
%对灰度值进行映射（均衡化）
for i = 1:height
for j = 1: width
I(i,j) = CumuPixel(I(i,j));
end
end
subplot(223)
imshow(I)%显示原始图像
subplot(224)
imhist(I)%显示原始图像直方图

%直方图均衡化
I = imread('rice.png');
[height,width] = size(I);
figure
subplot(221)
imshow(I)%显示原始图像
subplot(222)
imhist(I)%显示原始图像直方图

%进行像素灰度统计;
NumPixel = zeros(1,256);%统计各灰度数目，共256个灰度级
for i = 1:height
    for j = 1: width
        NumPixel(I(i,j) + 1) = NumPixel(I(i,j) + 1) + 1;%对应灰度值像素点数量增加一
    end
end
%计算灰度分布密度
ProbPixel = zeros(1,256);
for i = 1:256
    ProbPixel(i) = NumPixel(i) / (height * width * 1.0);
end
%计算累计直方图分布
CumuPixel = zeros(1,256);
for i = 1:256
    if i == 1
        CumuPixel(i) = ProbPixel(i);
    else
        CumuPixel(i) = CumuPixel(i - 1) + ProbPixel(i);
    end
end
%累计分布取整
CumuPixel = uint8(255 .* CumuPixel + 0.5);
%对灰度值进行映射（均衡化）
for i = 1:height
    for j = 1: width
        I(i,j) = CumuPixel(I(i,j));
    end
end

subplot(223)
imshow(I)%显示原始图像
subplot(224)
imhist(I)%显示原始图像直方图

运行结果：