在图像处理中时常会用到图像像素的直方图,但是,一般情况下我们只会使用直方图做为二值化图像的根据,很少会想到处理图像的直方图也可以使图像对比度增加,达到显著的效果。这就是直方图的均值化。
首先,我们从图像的直方图说起。什么是直方图?图像直方图,是指对整个图像像在灰度范围内的像素值(0~255)统计出现频率次数,据此生成的直方图,称为图像直方图。直方图反映了图像灰度的分布情况。是图像的统计学特征。
然后,我们再说直方图的均值化。图像中像素个数多的灰度级进行展宽,而对图像中像素个数少的灰度进行压缩,从而扩展像原取值的动态范围,提高了对比度和灰度色调的变化,使图像更加清晰。
最后,用代码的方式演示处理过程:
C++:
#include <opencv2/opencv.hpp>
#include <iostream>
#include <math.h>
using namespace cv;
int main(int argc, char* argv) {
Mat src, dst;
src = imread("demo.jpg");
if (src.empty()) {
printf("could not load image...");
return -1;
}
cvtColor(src, src, CV_BGR2GRAY);
equalizeHist(src, dst);
char input_title[] = "input image";
char output_title[] = "output image";
namedWindow(input_title, CV_WINDOW_AUTOSIZE);
namedWindow(output_title, CV_WINDOW_AUTOSIZE);
imshow(input_title, src);
imshow(output_title, dst);
waitKey(0);
return 0;
}
python:
#! /usr/bin/env python
# -*- coding:utf-8 -*-
import cv2
import matplotlib.pyplot as plt
src = cv2.imread("demo.jpg")
src = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
dst = cv2.equalizeHist(src)
fig = plt.figure(figsize=(15, 10))
ax1 = fig.add_subplot(221)
plt.imshow(src, "gray")
plt.xticks([]), plt.yticks([]), plt.title("original")
ax2 = fig.add_subplot(222)
ax2.hist(src.ravel(), 32, [0, 255], color="r")
plt.xticks([0, 255]), plt.title("original_histogram")
ax3 = fig.add_subplot(223)
plt.imshow(dst, "gray")
plt.xticks([]), plt.yticks([]), plt.title("equalize_result")
ax4 = fig.add_subplot(224)
ax4.hist(dst.ravel(), 32, [0, 255], color="g")
plt.xticks([0, 255]), plt.title("equalize_histogram")
plt.show()
结果图:
可以清楚的看出均值化后的图像比原图像清楚很多,跟其他增强对比度的操作例如掩膜操作,滤波操作等都是差不多的。以后又有一种新的方式可以增强图像的对比度了。
注:
equalizeHist()函数中输入的图像必须是8-bit的单通道图像。