直方图、直方图的局部平均化与熵

图像的亮度直方图体现出了图像的灰度值（亮度值）出现的频率，一般用一个长度为K的一维数组表示，K为灰阶个数，默认为256。

直方图可直接由以下代码获得

[h,p]=imhist(I);

返回的h和p都是一个1*K(256)大小的矩阵，其中h的内容是256个元素的次数，p的内容为每个元素对应的灰度值。

h或用手动统计方法获得：

h=zeros(256,1);
for i=1:m
    for j=1:n
        gray=I(i,j);
        h(gray+1,1)=h(gray+1,1)+1;
    end
end

对p中所有的频数除以像素点的总数，得到频率：

h=h/sum(h);

一般这样的直方图并不连续，并可能存在多个极大极小值，可以通过以下公式进行局部平滑：

K为常量，代表平滑时区域的大小，该算法平均了一个像素（灰度）以及周围2*K个邻域点的像素的频率作为这个像素值的平均频率。

得出的矩阵可通过bar(X)绘制，并通过axes([xmin,xmax,ymin,ymax])调整x轴（像素值范围）y轴（频率）的范围。

K=5;
hf=zeros(256,1);
for i=1:size(h,1)
    for j=-K:K
        if i+j>=1 && i+j<=255
            hf(i,1)=hf(i,1)+h(i+j,1)/(2*K+1);
        end
    end
end
bar(h);
axis([0,255,0,max(h)*1.1]);
figure;
bar(hf);
axis([0,255,0,max(hf)*1.1]);

左图：原始灰度直方图 右图：平滑后直方图

 上图为直接执行imhist(I)结果。直方图均衡化(histeq)不述。

 

信息论中的熵(Entropy)由香农(Shannon)提出，可以用来表示图像中的信息量，熵的直接理解与关联于给定概率分布的事件的不确定性大小有关，可以反映概率“失调”的大小。对于图像I的灰度值概率矩阵p，熵定义为：

其中，-log2p(i)称为p(i)出现概率的惊异(surprisal)，图像I 的熵E(I)是灰度概率出现惊异的期望值。

在之后的应用里，熵一般用来评估图像或其他离散变量中的信息的冗余程度。