直方图规定化

转自：https://www.cnblogs.com/wangguchangqing/p/7098213.html

 

直方图规定化

从上面可以看出，直方图的均衡化自动的确定了变换函数，可以很方便的得到变换后的图像，但是在有些应用中这种自动的增强并不是最好的方法。有时候，需要图像具有某一特定的直方图形状（也就是灰度分布），而不是均匀分布的直方图，这时候可以使用直方图规定化。
直方图规定化，也叫做直方图匹配，用于将图像变换为某一特定的灰度分布，也就是其目的的灰度直方图是已知的。这其实和均衡化很类似，均衡化后的灰度直方图也是已知的，是一个均匀分布的直方图；而规定化后的直方图可以随意的指定，也就是在执行规定化操作时，首先要知道变换后的灰度直方图，这样才能确定变换函数。规定化操作能够有目的的增强某个灰度区间，相比于，均衡化操作，规定化多了一个输入，但是其变换后的结果也更灵活。

在理解了上述的均衡化过程后，直方图的规定化也较为简单。可以利用均衡化后的直方图作为一个中间过程，然后求取规定化的变换函数。具体步骤如下：

• 将原始图像的灰度直方图进行均衡化，得到一个变换函数s=T(r)s=T(r)，其中s是均衡化后的像素，r是原始像素
• 对规定的直方图进行均衡化，得到一个变换函数v=G(z)v=G(z)，其中v是均衡化后的像素，z是规定化的像素
• 上面都是对同一图像的均衡化，其结果应该是相等的,s=v,且z=G−1(v)=G−1(T(r))s=v,且z=G−1(v)=G−1(T(r))

通过，均衡化作为中间结果，将得到原始像素rr和zz规定化后像素之间的映射关系。

详解规定化过程

对图像进行直方图规定化操作，原始图像的直方图和以及规定化后的直方图是已知的。假设Pr(r)Pr(r)表示原始图像的灰度概率密度，Pz(z)Pz(z)表示规定化图像的灰度概率密度（r和z分别是原始图像的灰度级，规定化后图像的灰度级）。

• 对原始图像进行均衡化操作，则有sk=T(rk)=L⋅∑i=0i=kPr(rk)sk=T(rk)=L⋅∑i=0i=kPr(rk)
• 对规定化的直方图进行均衡化操作，则vk=G(zm)=L⋅∑j=0j=mPz(zm)vk=G(zm)=L⋅∑j=0j=mPz(zm)
• 由于是对同一图像的均衡化操作，所以有sk=vmsk=vm。
• 规定化操作的目的就是找到原始图像的像素sksk到规定化后图像像素的zkzk之间的一个映射。有了上一步的等式后，可以得到sk=G(zk)sk=G(zk)，因此要想找到sksk想对应的zkzk只需要在zz进行迭代，找到使式子G(zm)−skG(zm)−sk的绝对值最小即可。
• 上述描述只是理论的推导过程，在实际的计算过程中，不需要做两次的均衡化操作，具体的推导过程如下：

  sk=vkL⋅∑i=0i=kPr(rk)=L⋅∑j=0j=mPz(zm)∑i=0i=kPr(rk)=∑j=0j=mPz(zm)sk=vkL⋅∑i=0i=kPr(rk)=L⋅∑j=0j=mPz(zm)∑i=0i=kPr(rk)=∑j=0j=mPz(zm)

  
  上面公式表示，假如sksk 规定化后的对应灰度是zmzm的话，需要满足的条件是sksk的累积概率和zmzm的累积概率是最接近的。
  下面是一个具体计算的例子：
  

首先得到原直方图的各个灰度级的累积概率VsVs以及规定化后直方图的各个灰度级的累积概率VzVz，那么确定sksk到zmzm之间映射关系的条件就是：

∣Vs−Vz∣∣Vs−Vz∣

的值最小。
以k=2k=2为例，其原始直方图的累积概率是:0.65,在规定化后的直方图的累积概率中和0.65最接近（相等）的是灰度值为5的累积概率密度，则可以得到原始图像中的灰度级2，在规定化后的图像中的灰度级是5。

直方图规定化的实现

直方图规定化的实现可以分为一下三步：

• 计算原图像的累积直方图
• 计算规定直方图的累积直方图
• 计算两累积直方图的差值的绝对值
• 根据累积直方图差值建立灰度级的映射

具体代码实现如下：

void hist_specify(const Mat &src, const Mat &dst,Mat &result)
{
    Histogram1D hist1D;
    MatND src_hist = hist1D.getHistogram(src);
    MatND dst_hist = hist1D.getHistogram(dst);

    float src_cdf[256] = { 0 };
    float dst_cdf[256] = { 0 };

    // 源图像和目标图像的大小不一样，要将得到的直方图进行归一化处理
    src_hist /= (src.rows * src.cols);
    dst_hist /= (dst.rows * dst.cols);

    // 计算原始直方图和规定直方图的累积概率
    for (int i = 0; i < 256; i++)
    {
        if (i == 0)
        {
            src_cdf[i] = src_hist.at<float>(i);
            dst_cdf[i] = dst_hist.at<float>(i);
        }
        else
        {
            src_cdf[i] = src_cdf[i - 1] + src_hist.at<float>(i);
            dst_cdf[i] = dst_cdf[i - 1] + dst_hist.at<float>(i);
        }
    }

    // 累积概率的差值
    float diff_cdf[256][256];
    for (int i = 0; i < 256; i++)
        for (int j = 0; j < 256; j++)
            diff_cdf[i][j] = fabs(src_cdf[i] - dst_cdf[j]);

    // 构建灰度级映射表
    Mat lut(1, 256, CV_8U);
    for (int i = 0; i < 256; i++)
    {
        // 查找源灰度级为ｉ的映射灰度
        //　和ｉ的累积概率差值最小的规定化灰度
        float min = diff_cdf[i][0];
        int index = 0;
        for (int j = 1; j < 256; j++)
        {
            if (min > diff_cdf[i][j])
            {
                min = diff_cdf[i][j];
                index = j;
            }
        }
        lut.at<uchar>(i) = static_cast<uchar>(index);
    }

    // 应用查找表，做直方图规定化
    LUT(src, lut, result);
}