图像灰度变换
声明:本文为3D视觉开发者社区三维视觉原理与实践学习的笔记文件,仅供个人学习复习,详情可以观看官网视频:https://developer.orbbec.com.cn/v/lecture?tid=26
1 图像对比度和亮度调节
图像的对比度表示图像的动态范围,最亮最暗的值分别为多少;亮度:整幅图像的一个均值表示。
给定一幅图像f(x,y),对其对比度和亮度进行j精准调节:
上图:第一幅为原图,第二幅为对比度提升一倍,第三幅为亮度提升一倍,第四幅为亮度、对比度均提升一倍
2 图像的灰度变换
2.1 反转变换
反转变换:黑白变换。原图为r,新的图像s。多应用于医学图像处理,更符合人眼视觉。
2.2 对数变换
log变换,解决原图动态范围过大(对比度范围过大),超出设备显示能力
上图:a为一个8位系统显示的0-1.5x10^6的傅里叶频谱图,b为对数变换后8位系统的显示结果。
2.3 伽马变换
伽马变换的公式可以表示为:
其中:g为变换后的图像,f为原图。
γ<1,
γ>1,降低灰度级,图像变暗 。
上图,竖直陡峭的部分拉伸,水平平缓的部分压缩,因此:
γ值<1,拉伸灰度级较低的区域,压缩灰度级较高的部分,提高灰度级,图像变亮 ;
γ值>1,拉伸灰度级较高的区域,压缩灰度级较低的部分,降低灰度级,图像变暗 。
3 直方图
3.1 直方图定义
一个灰度等级在范围[0,L-1]内的数字图像,其直方图(图像密度函数)是一个离散函数:
多数情况下处理的直方图为归一化直方图,p(rk)分量为图像中出现的灰度级的概率估计,整体和为1。
3.2 直方图均衡化
希望找到一个变换S=T(r) (0≤r≤1),变换后,S的概率密度函数是均匀的。
T(r)满足下列条件:
(1)T(r)在区间0≤r≤1中为正值且单调递增————保证原图各灰度级在变换后扔保持从黑到白(从白到黑)的排列次序。
(2)当0≤r≤1时,0≤T(r)≤1————保证变换前后灰度值动态范围一致。
概率论原理:若已知p(r)和T(r),且T(r)是连续的且在感兴趣的值域上是可微的,则变换(映射)后的变量s的PDF(概率密度函数)是(上式)
根据莱布尼茨积分法则可知,定积分关于其上限的导数是在这一上限处计算的积分,即:
代入第一个式子可得:
我们发现在上式的最后一项中,Ps(s)的形式是一个均匀概率密度函数。因此,执行式(3.11)中的灰度变换将产生一个随机变量s,它由一个均匀的PDF表征。重要的是,式(3.13)中的p,(s)始终是均匀的,而与p,®的形式无关。
对离散的数字图像:
推导过程:
3.3 直方图均衡化的例子
3.4 直方图匹配(规定化)
对于某些应用,采用均匀的直方图的增强并不是最好的方法。有时,我们希望处理后的图像具有规定的直方图的形状可能更有用。
这种产生特殊直方图的方法称为直方图匹配或直方图规定化。
下面暂时考虑连续灰度r和z,我们照例将它们当成PDF分别为pr®和pz(z)的随机变量来处理。其中,r和z分别表示输入图像和输出(处理后的)图像的灰度级。我们可以由已知的输入图像计算pr®和pz(z)是规定的PDF,它是我们希望输出图像具有的。
令s是一个具有如下性质的随机变量: