直方图均衡化（HE）及理论推导

最新推荐文章于 2023-04-12 22:26:25 发布

白色与黑色太阳

最新推荐文章于 2023-04-12 22:26:25 发布

阅读量3.7k

点赞数 20

分类专栏：图像处理

本文链接：https://blog.csdn.net/qq_33298516/article/details/105136143

版权

图像处理专栏收录该内容

1 篇文章 1 订阅

订阅专栏

直方图均衡化

一个灰度分布不均匀的图像它的直方图

可以看出，直方图上灰度集中在60周围，整个图像对比度较差，通过直方图均衡化，即可将其灰度均匀分布各个灰度级，从而使得图像具有更好的对比，增强图像细节。

均衡化后图像均衡化后的直方图

1.问题分析

设随机变量x，y分别是均衡化前后的灰度取值，存在一个转换关系y=T(x)。

p（x），p（y）分别是x,y的概率密度函数。以p（x）为例，可以理解成，原图像灰度值是x的概率为多少。根据概率论相关知识，这里p(x)其实就是指灰度值为x的像素数/总像素数，即该灰度值的出现概率，取值范围[0~1]，同理得p（y）。（一开始我是用f(x)，f（y)表示，为了表明它是一个概率，所以这样还是用p(x)，p(y)代替）

p(x)是已知的。

p(y)是直方图均衡化得到的概率密度函数，在前面我们已经说了，希望能均衡化后的直方图，拥有跟高的对比度，灰度分布更均匀，所以理想状态中的分布均匀的直方图是这样的

这是理想中的直方图分布，这时每个灰度级的概率p=1/(L-1)，就是p(y)=1/(L-1) L是灰度级数量，例如常用的L=256，灰度范围就是【0~255】

我们既然希望通过x计算出形如上面灰度分布的y，就需要求T（x）这个转换关系。这样，问题转变为：

已知p(x)和p(y)，求T(x)。问题【1】

2.公式推导

已知两个概率密度函数p(x)，p(y)，求x，y之间的转换关系T(x)。

这里，为了方便进行一般化情况的推导，我们将x视为一个连续的随机变量（实际上灰度值x肯定不是连续随机变量，但是为了进行公式推导和证明，先证明连续型随机变量成立，再引出离散型随机变量的情况），y就是随机变量x的函数。

概率论里有一个小章节，叫“随机变量的函数的概率分布”，应该所有版本的概率论与数理统计都有这个内容。在这个部分所求解的问题是：

已知p(x)，x与y之间的转换关系T(x)，求p(y)。问题【2】

这两个问题本质上都是建立的三者之间的关系，通过两个已知量即可推导第三个量。现在我们只需要去求解问题【2】，然后就可以得到三者之间的关系式，带入p(x)，p(y)就可以得到问题【1】的解。

问题【2】，p(y)证明过程，出自《概率论与数理统计》-陈希孺版：

逐步推导：

x是随机变量，y=T(x)，则y是随机变量x的函数，求解随机变量函数的概率密度，一般是通过求该函数的分布函数，对

分布函数求导，得到概率密度函数。

（我去看了几个概率论的视频，老师都是说这是一般求法，我还在想为啥非得要从分布函数入手，后来贴吧大神回答说应该去看一下概率密度函数的定义，然后我看了一下书，赫然有如下定义：）

求y的分布函数F(y)，根据分布函数定义

所以F(y)=P(Y<=y)，下面是后续推导过程

(1). ∵ $y=T(x)$ ，所以

∴ $P(Y\leq y)=P(T(X)\leq y))$

(2). T(x)有反函数 $T^{^{-1}}(y)$ 。反函数存在的充要条件：

一个函数的定义域若是一个区间，则该函数存在反函数的充要条件是函数在定义域内严格单调。

T(x)是严格单调的吗？是的。我们不希望改变灰度值x的变换后的大小顺序，假如 x=50时，y=T(50)=20，当x=51，y=T(51)，y一定是>20的。因为我们必须保证，直方图均衡化后，图像的明暗关系不能改变，原本最暗的像素点，可以变亮，但是在新图像里，它也应该是相对最暗的像素点。所以T(x)必须是一个严格单调的图像（在这里进一步说，对于图像，应该是严格单调递增的。）

∵ $T(x)$ 存在反函数 $T^{^{-1}}(y)$

∴ $P(Y\leq y)=P(T(X)\leq y))=P(X\leq T^ {^{-1}}(y))$

这一步的转换， $P(Y\leq y)$ 最终变成了 $P(X\leq T^{^{-1}}(y))$ ，根据前面分布函数的定义可知， $P(Y\leq y)$ 是Y的分布函数F(y）， $P(X\leq T^{^{-1}}(y))$ 是X的分布函数，而在问题【2】的条件里，我们是不知道p(y)，更不知道F(y)的，所以才要转换成F(x)

{

$P(T(X)\leq y))=P(X\leq T^ {^{-1}}(y))$ 这一步，通过反函数将T(X)<=y转换为X<=T-1(y)，将限制条件进行了转换

我对于反函数转换不太理解，看了好几个公开课视频，例如概率论与数理统计——清华大学（国家级精品课），这里面压根没提这个转换，到这直接跳了。我看了一会，这个系列视频讲得都很浅，应付考试差不多。

在 概率论与数理统计（中科大_缪柏其教授_33讲全）里面，完整的讲了一下，老师讲得还是很全，但是反函数变换这一步还是没细讲。

最后在武汉理工大学《概率论与数理统计》全52讲这一章节，老师画了个坐标系，一下子就理解了。

$T(X)\leq y$ ，就是指图中红色部分线段，图中唯一的点(x,y)，根据反函数， $x=T^{-1}(y)$ ，这里 $X\leq T^{-1}(y)$ 所代表的线段范围，就是 $T(X)\leq y$ 的范围，即 $T(X)\leq y$ 与 $X\leq T^{-1}(y)$ 等价，所以 $P(T(X)\leq y))=P(X\leq T^ {^{-1}}(y))$ （这里成立的条件是T(x)单调递增,这样不等号不用变号，单调递减要变号）

}

(3). 转换成 $P(X\leq T^{^{-1}}(y))$ 后，这个形式就是对X求积分，积分上限为 $T^{-1}(y)$

∴ $F(y)=P(Y\leq y)=P(T(X)\leq y))=P(X\leq T^ {^{-1}}(y))=F(x)|_{x=T^{-1}(y)}$

这时候，我们把y的分布函数和x的分布函数联系起来了

(4). 上式还可以进一步写成

$F(x)|_{x=T^{-1}(y)}=\int_{0}^{T^{-1}(y)}p(x)dx$

则 $F(y)=\int_{0}^{T^{-1}(y)}p(x)dx$ ，两边同时对y求导，根据变上限积分的求导法则

$p_{y}(y)=p_{x}(T^{-1}(y))(T^{-1}(y))^{'}=p_{x}(T^{-1}(y))\frac{d(T^{-1}(y))}{dy}$ （这里改成 $p_{y}(y)，p_{x}()$ 主要是为了区分x,y的概率密度函数）

∵ $x=T^{-1}(y)$

∴ $p_{y}(y)=p_{x}(T^{-1}(y))(T^{-1}(y))^{'}=p_{x}(T^{-1}(y))\frac{d(T^{-1}(y))}{dy}=p_{x}(x)\frac{dx}{dy}$

这样就得到了很多介绍直方图均衡化的博客中，直接引用的公式，r，s分别指直方图均衡化前后的灰度值

我们推导得到的没有绝对值符号，是由于dx/dy一定>0，因为y=T(x)单调递增。

(5). 带入值

∵ $y=T(x)$

∴ $p_{y}(y)=p_{x}(x)\frac{dx}{dy}=p_{x}(x)\frac{dx}{d(T(x))}$

这里，得到了 $p_{y}(y)$ 的表达式，问题【2】求解步骤就可以终止了，因为已知了 $p_{y}(y)=\frac{1}{L-1}$ ，，将已知变量带入，经过变换

$d(T(x)=(L-1)p_{x}(x)dx$

为了求解T(x)，两边同时对x积分，由于积分和微分互为逆运算

$T(x)=(L-1)\int_{0}^{x} p_{x}(t)dt$ 这里把 $p_{x}(x)$ 写成 $p_{x}(t)$ 只是为了把变量跟积分上限x区分，被积函数还是x的概率密度

(6) 注意，现在得到的是连续型随机变量的T(x)计算公式，由于x是一个离散变量，对离散变量积分，就是求和

$T(x)=(L-1)\sum_{0}^{x}\frac{n_{x}}{MN}$

$n_{x}$ 是灰度值为x时的像素点数量，M*N是图像的长宽积，即总像素数量。

∵ $y=T(x)$

∴ $y=\frac{(L-1)}{MN}\sum_{0}^{x}n_{x}$

至此，计算出直方图均衡化所需的转换公式，还有需要注意的一点，

为了保证直方图均衡化后图像灰度是均匀分布，我们假定了像素点落到每个灰度级的概率是完全相等的 $p_{y}(y)=\frac{1}{L-1}$

所以理论上直方图是一条直线。但是由于实际图像是离散的，且不能保证原图像在每个灰度值x都有值，所以均衡化后的直方图只是往理论直方图靠近，随着点数增多，灰度级分布才会越来越接近均匀。（未证明）

3.结束

作为一个工科出身转的视觉方向，基础薄弱，对于大部分处理方法都是限于会使用，明白大概原理，少部分算法在上学时进行过推敲。加上工作两年了，对于图像处理这块越来越陷入应用，完全依赖商用开发包，对于自己吃饭家伙的理解，越来越流于表面。今年重写公司的一些标准工具时候，决心从头开始理解推导，哪怕是重复造轮子，也得手动再来一遍。

本科4年唯一挂掉的课就是概率论，现在还记得当年全院500多人，总共挂了二三十号人，我以56分高高挂起。加上本书数学基础差，考研又是全院数学最低分，跟学校的数学最低分数线一样，数学跟英语考得一样，如果不是其他三门给了点力，就完蛋了。

所以，写这篇博客用了三天，重新学习了数学基础知识，发现自己真是所有东西都快忘完了，连分布函数和概率密度的定义都忘了。

水平有限，本文多有疏漏，反正推理过程能说服我自己就行了。

主要参考博客：

https://blog.csdn.net/spongebob1234/article/details/77778709（这个写的还是非常直观，话不多但是都是写了关键地方。）
https://blog.csdn.net/schwein_van/article/details/84336633

参考书籍

概率论与数理统计陈希孺（这本书真的很不错，我们当年用的书是本校自己写的，内容非常浅显而且僵硬，没有老师讲很难理解的了）

白色与黑色太阳

关注

20
点赞
踩
25

收藏

觉得还不错? 一键收藏
5
评论
直方图均衡化（HE）及理论推导

直方图均衡化一个灰度分布不均匀的图像它的直方图可以看出，直方图上灰度集中在60周围，整个图像对比度较差，通过直方图均衡化，即可将其灰度均匀分布各个灰度级，从而使得图像具有更好的对比，增强图像细节。均衡化后图像 ...
复制链接

扫一扫