【图像处理】基本的全局图像灰度变换

二维图像可以看做坐标点(x,y)的函数，f(x,y)，因变量为像素值。设r是当前点，s是灰度变换后的点，那么有s=T(r)，T是一个函数，r和s都属于一定范围内的自然数集合。因此我们可以根据函数T建立一个数组，下标是r，元素是s，遍历每个待变换的像素点，用查表的方法替换r为s，快速完成灰度变换。

常用的灰度变换有：

1、  对数变换，s=cLog(1+r)，其中c是归一化参数，对数的底是可以变化的，但是要保证s>0。由于Log函数是凸函数，因此图像直方图向亮处移动，图像整体变亮。

2、  幂次变换，s=c r^t，其中c是归一化参数，t是大于0的实数。当t大于1，变换函数是凹函数，因此图像直方图向暗处移动，图像整体变暗；反之变亮。

3、  反相。s=M-r，M是r和s能取得的最大值。

4、  位图切割，设图像是8bit图像，即像素范围为0~255，由8位二进制数表示，位图切割对每个位进行处理。

5、  直方图处理。包括直方图均衡和直方图规定化。直方图均衡的结果是直方图曲线变成平直线，直方图规定化的结果是原始直方图曲线变成目标的直方图曲线，类似于Photoshop中的曲线调整。

 

直方图均衡可以将图像亮度分布均衡。直方图的x轴是像素，y轴是该像素值对应的点的个数。如果我们将y轴归一化，那么直方图变成了像素的概率密度函数。

已知s=T(r)，概率密度函数（原始直方图）为pr(r),概率密度为pr(r)dr,灰度变换后有

pr(r)dr=ptr(T(r))dT(r)=ps(s)ds

这里用到了微积分的换元法，对于初等函数都是适用的，但是换元之后的ps(s)不一定符合概率密度函数的定义。为了让ps(s)也是概率密度函数，要求（1）T函数在r处于[0,1]区间中单值且单调递增，也就是严格递增，如果不是单值那么rk可能对应多个sk，ps(s)就不是函数了（2）当r属于[0,1]，T(r)属于[0,1]。

图像处理科学家找到了一个符合要求的变换，能想到这个变换的用途确实很厉害:

 

我们将这个变换带入pr(r)dr=ps(s)ds：

 

这说明变换之后的像素出现的概率都是一样的，也就是各种像素的点的数量相同。这样s可以用r求得：

 

N是总像素个数，nk是第k个像素出现的点的数量。

我们可以根据直方图建立一个rk->sk的映射，将其制作成一个数组，下标是rk，元素是sk。

直方图规定化将一种直方图曲线变换到任意一种直方图曲线。我们可以用直方图均衡化来过渡。设目标直方图曲线表示的像素概率密度函数为pz(z)，那么我们可以将直方图z均衡化，求得zk->sk的映射

 

间接地我们就得到了rk->sk->zk的映射，可以简化做成rk->zk的映射数组。我们用这种方法实现了直方图曲线的任意变化。必须注意，T(r)和G(z)都要求有反函数，因此必须是严格递增函数。

原图

均衡

用直方图规定划方法，从均衡图还原原图

github：https://github.com/artzers/NGImageProcessor.git  由类BasePixelTransfer.py实现