直方图匹配（规定化）

直方图匹配

直方图均衡技术，可以自动地确定变换函数，而产生具有均匀直方图的输出图像。但是不同图像出现的问题不尽相同，有时根据图像的某种缺陷，我们需要得到处理后具有特殊直方图的图像。均衡化这样单一的方法显然不能成为万能钥匙。

直方图匹配，又称直方图规定化。与直方图均衡化不同，直方图均衡试图使输出图像具有一个平坦的直方图，而直方图匹配是为了得到一个特定的直方图。

---

基本原理

直方图规定化的基本思路是：对原图像直方图和目标直方图都做均衡化，变成相同的归一化的均匀直方图。然后以此均匀直方图为媒介，再对原图像做均衡化的逆运算。

设原图像和输出图像的灰度变量分别为$r$和$z$，并令$p_r(r)$和$p_z(z)$表示他们所对应的概率密度函数，分别对$r$和$z$作如下变换：

$$T(r)=(L-1)\int_0^r p_r(w)dw\\ G(z)=(L-1)\int_0^z p_z(w)dw$$
由于两个式子都为均匀化变换，可得 $T(r)=G(z)$，因此 $z$满如下条件：
$$z=G^{-1}[T(r)]$$
在实践中，一个困难是寻找 $T(r)$和 $G^{-1}$的有意义的表达式。在处理离散变量时，问题可以大大简化。下面的方法仅为了得到一个近似的直方图。为方便起见，我们重写公式如下：
$$s_k=T(r_k)=(L-1)\sum_{j=0}^k p_r(r_j)=\frac{L-1}{MN}\sum_{j=0}^k n_j,\quad k=0,1,...,L-1$$
其中 $MN$是图像的像素总数， $n_j$是具有灰度值 $r_j$的像素数， $L$是图像中可能的灰度级数。类似地，对目标直方图随机变量的计算变换函数
$$G(z_q)=(L-1)\sum_{i=0}^q p_z(z_i)$$
对一个 $q$值，有
$$z_q=G^{-1}(s_k)$$
实际操作过程中，我们不需要计算 $G$的反变换。因为我们处理的图像灰度级是整数（如8比特图像的灰度级是0到255）。我们可以将$G$变换存储在一个表中，然后根据给定的 $s_k$值，查找存储在表中最匹配的 $z_q$值。

实现过程

1. 计算原图像的直方图$p_r(r)$，并寻找直方图均衡变换，得到$s_k$并四舍五入为范围[0,L-1]内的整数。
2. 对$q=0,1,...,L-1$计算变换$G$的所有值，其中$p_z(z_i)$是规定直方图的值。把$G$的值四舍五入为范围[0,L-1]内的整数，并存储在一个表中。
3. 对每个值$s_0,s_1,...,s_{L-1}$，使用步骤2中存储的$G$值寻找相应的$z_q$值，以使$G(z_q)$最接近$s_k$，并存储这些$s_k$到$z_q$的映射。
4. 对输入图像进行均衡化，然后使用步骤3找到的映射把该图像中的每个均衡后的像素值$s_k$映射为直方图规定化后的图像中的相应值$z_q$，形成直方图规定化后的图像。

计算例子

设输入为大小为64x64像素的3比特数字图像，其灰度分布、直方图值、均衡化后的值（四舍五入）为：

$r_k$	$n_k$	$p_r(r_k)$	$s_k=7\sum_{j=0}^k p_r(r_j)$
$r_0=0$	790	0.19	1
$r_1=1$	1023	0.25	3
$r_2=2$	850	0.21	5
$r_3=3$	656	0.16	6
$r_4=4$	329	0.08	6
$r_5=5$	245	0.06	7
$r_6=6$	122	0.03	7
$r_7=7$	81	0.02	7

设规定直方图为：

$z_q$	$p_z(z_q)$	$G(z_q)=7\sum_{j=0}^q p_z(z_j)$
$r_0=0$	0.00	0
$r_1=1$	0.00	0
$r_2=2$	0.00	0
$r_3=3$	0.15	1
$r_4=4$	0.20	2
$r_5=5$	0.30	5
$r_6=6$	0.20	6
$r_7=7$	0.15	7

将所有的$s_k$值映射到相应的$z_q$值：

$s_k$	$\rightarrow$	$z_q$
1	$\rightarrow$	3
3	$\rightarrow$	4
5	$\rightarrow$	5
6	$\rightarrow$	6
7	$\rightarrow$	7

如图显示了变换过程：

虽然图(d)的最终结果并不完全与规定的直方图匹配，但达到了将灰度明确移向灰度级高端的目的。