数字图像处理实验—— 将“原图.bmp”转换成灰度图像，并对得到的灰度图像进行直方图均衡化；用直方图规定化算法，对“原图.bmp”RGB三个通道的直方图分别改成与“参考图像.bmp”一致

zjut小飞鼠

于 2023-10-22 23:34:05 发布

阅读量827

点赞数 1

分类专栏：数字图像处理文章标签：算法计算机视觉人工智能 python

本文链接：https://blog.csdn.net/m0_73801271/article/details/133980092

版权

数字图像处理专栏收录该内容

1 篇文章 0 订阅

订阅专栏

1.实验目标

1. 理解并运用直方图的概念与运用对图像进行相关分析与处理

2. 理解并运用直方图均衡化的概念，并进行相关图像处理

3. 掌握直方图规定化算法，对样例进行直方图规定化处理分析

4. 将“原图.bmp”转换成灰度图像，并对得到的灰度图像进行直方图均衡化

5. 采用直方图规定化算法，对“原图.bmp”RGB三个通道的直方图分别改成与“参考图像.bmp”一致

2.实验环境

操作环境：Windows 10

实验平台：PyCharm Community Edition 2022.3.1

处理器：Intel(R) Core(TM) i7-10750H CPU @ 2.60GHz 2.59 GHz

内存：16.0 GB

Python解释器：Python 3.9

3.实验原理

1. 直方图的定义：

直方图是对图像灰度分布统计的重要手段。灰度直方图表示图像中具有某种灰度级的像素个数，反映图像中每种灰度出现的频率。一般地，灰度直方图的横坐标是灰度级，纵坐标是该灰度级出现的次数，是图像最基本统计特征。通过直方图，可以直观地了解图像的对比度和亮度分布，修改直方图的形状可以达到图像增强目的。

2. 直方图的性质：

（1）直方图是一幅图像中各像素灰度值出现次数(或频数)的统计结果，而未反映某一灰度值像素所在位置，即丢失了位置信息。

（2）一幅图像对应一个直方图，但不同的图像可能有相同直方图。即图像与直方图之间是多对一的映射关系。

（3）一幅图像各子区的直方图之和等于该图像全图的直方图。

3. 直方图相关数学表示：

从概率的观点来理解，灰度出现的频率可看作其出现的概率，这样直方图就对应概率密度函数p(r)(pdf, probability density function)，而概率分布P(r)函数就是直方图的累积和，即概率密度函数的积分。

4. 直方图的计算：

若图像具有L级灰度(通常L=256级，8位灰度)，则大小为M×N的灰度图像f(x, y) 的灰度直方图hist[0,…,L-1]可用如下算法得到：

（1）初始化：hist[k]=0 ; k=0, …, L-1。

（2）统计：hist[f(x, y)]++ ; x=0, …, M-1； y = 0, …, N-1。

（3）归一化：hist[f(x, y)]/=MN。

其中，直方图的归一化是一个可选项，若不需要特殊处理可不进行此项操作。

5. 直方图均衡化：

（1）定义：

根据熵理论可知当h[0], h[1],…, h[L-1]相等时，图像信息量最大。均衡化的目的是使每个h[i]都相等，就是把原始图像的直方图变换为均匀分布的形式。图像像素个数为n，L是有效灰度级个数，对于一个均衡化的直方图来说，应该在每个灰度级上n/L个像素。

（2）熵：是信息量的度量，定义为：

其中，pi是符号i出现的概率。在图像中，pr是灰度级r出现的概率，可以证明，当p0=p1=…=p255=1/256时，H取值最大，即图像的信息量最大。

（3）直方图均衡化的两种情况：

通过变换g=T(f)得到直方图均衡化的效果，需要考虑两种情况：

1）多个至一个：若有连续n个灰度级的频数之和等于n/L，则必导致它们合并成一个灰度级。

2）一个到多个：若有某个灰度级的频数是n/L的R倍，则必须将其分为R个不同的灰度级，每个上都有n/L个像素。

设变换前的图像直方图为h1，要求变换后得到的图像直方图为h2，如果将原始灰度级f变换为灰度级g，则必须满足：

从而有：

其中H1(f)是像素分布函数（累积函数），L是有效灰度的个数，L≤256。

（4）直方图均衡化的步骤：

法1：

求出原图的灰度直方图，记为h
计算图像各灰度级的累计分布H
计算新图像的像素灰度值

法2：

求出原图的灰度直方图，记为h
求出图像的像素个数，记为n
计算每个灰度级的pdf，即每类像素在整个图像中所占的比例。

计算图像各灰度级的累计分布hp

计算新图像的像素灰度值

（5）直方图均衡化分析：

1）均衡化后的结果不是均衡的，因为只合并不分解

2）信息量没有增加，反而减少了，因为均衡化后图像的有效灰度级一般＜L

3）能够增加图像的全局对比度。对于低对比度图像拉大了反差，将拥有特别多像素的灰度级变得跟前后灰度级拉开了距离，从而使得该灰度级的像素在均衡化后的图像中特别显眼

6. 直方图规定化：

（1）定义：

把直方图变换为某个特定形状，有选择地增强某个灰度范围内的对比度。

（2）直方图规定化步骤：

假设原图像为f，直方图规定化后得到的图像为g，待匹配(参考)图像为m

计算f和m的归一化灰度直方图，记为pf和pm, 即：

对f和m计算累积直方图：

对每个像素值f(x, y)，找到使式(2)最小的t*，即为规定化后得到的灰度值g(x, y)，即式(1)。

（3）直方图规定化与直方图均衡化的比较：

直方图均衡化：自动增强，效果不易控制，总得到全图增强的结果

直方图规定化：有选择地增强，须给定需要的直方图，可特定增强的结果

直方图均衡化可以看作目标直方图为均匀分布的直方图规定化

4.主要代码和结果

1. 将“原图.bmp”转换成灰度图像，并对得到的灰度图像进行直方图均衡化

代码实现如下：

import cv2

# 指定图像文件路径

image_path = 'C:/Users/86198/PycharmProjects/pythonProject5/shuzituxiangchuli/yuantu.bmp'


# 读取图像

img = cv2.imread(image_path)


# 将图像转换为灰度图像

gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)


# 对灰度图像进行直方图均衡化处理

equ_img = cv2.equalizeHist(gray_img)


# 显示原始图像和处理后的图像

cv2.imshow('Original Image', img)

cv2.imshow('Gray Image', gray_img)

cv2.imshow('Equalized Image', equ_img)


cv2.waitKey(0)

cv2.destroyAllWindows()

实验结果如下：

图1展示了原图，图2展示了原图转换为灰度图的图像，图3展示了灰度图进行直方图均衡化之后的图像。

图1 原图

图2 灰度图

图3 直方图均衡化后的灰度图

2. 采用直方图规定化算法，对“原图.bmp”RGB三个通道的直方图分别改成与“参考图像.bpm”一致

代码实现如下：

import cv2

import cv2


# 读取原图

original_image = cv2.imread("yuantu.bmp")

inference = cv2.imread('example.bmp')

# 转换为灰度图像

gray_image = cv2.cvtColor(original_image, cv2.COLOR_BGR2GRAY)


# 进行直方图均衡化

equalized_image = cv2.equalizeHist(gray_image)


# 保存处理后的图像

cv2.imwrite("gray_img.bmp", gray_image)

cv2.imwrite("equalized_img.bmp", equalized_image)


b, g, r = cv2.split(original_image)

b_i, g_i, r_i = cv2.split(inference)


b_matched = cv2.equalizeHist(b, b_i)

g_matched = cv2.equalizeHist(g, g_i)

r_matched = cv2.equalizeHist(r, r_i)


matched_image = cv2.merge((b_matched, g_matched, r_matched))

cv2.imwrite('matched_image.bmp', matched_image)

cv2.imshow('matched_image.bmp', matched_image)

cv2.waitKey(0)

实验结果如下：

图4展示了以参考图像为标准的直方图规定化后的图像。