40.图像直方图归一化

目录

        1 概念讲解及用处

        2 函数详解

        3 数学原理

        3.1 最小-最大归一化的数学原理

        3.2 均值方差归一化的数学原理

        4 用C++编写代码进行实现

        1 概念讲解及用处

        图像直方图归一化（Histogram Normalization）是一种将图像的直方图进行线性拉伸或均衡化的操作。它通过调整图像中像素灰度级别的分布，使得图像在亮度和对比度上更加均匀，增强了图像的视觉效果。

        直方图归一化常用于以下方面：

        增强图像对比度：通过拉伸图像灰度级别的范围，使得暗部和亮部的细节更加明显。

        图像预处理：在目标检测、图像识别等任务中，对输入图像进行归一化可以提高算法的鲁棒性和准确性。

        2 函数详解

         在OpenCV中，可以使用normalize函数实现图像直方图的归一化。

cv::normalize(InputArray src, OutputArray dst, double alpha=0, double beta=255, int norm_type=NORM_MINMAX, int dtype=-1, InputArray mask=noArray())

src：输入图像或直方图。

dst：输出的归一化结果。

alpha：归一化的最小值。

beta：归一化的最大值。

norm_type：归一化类型，默认为NORM_MINMAX。

dtype：输出数组的数据类型，若为-1，则与输入数组相同。

mask：可选的掩码图像，指定要进行归一化的区域。

        3 数学原理

        直方图归一化是通过线性变换将图像中的像素值映射到一个新的范围内。常见的归一化方法有最小-最大归一化（Min-Max Normalization）和均值方差归一化（Mean-Variance Normalization）。

        3.1 最小-最大归一化的数学原理

        其中，src是输入图像，dst是输出的归一化结果，min和max分别是输入图像的最小和最大像素值，alpha和beta是归一化的最小和最大值。

        3.2 均值方差归一化的数学原理

        

        其中，src是输入图像，dst是输出的归一化结果，mean和std_dev分别是输入图像的平均值和标准差。

        4 用C++编写代码进行实现

        下面是一个使用OpenCV对图像进行最小-最大归一化的示例代码：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
    // 读取图像
    Mat image = imread("image.jpg", IMREAD_GRAYSCALE);
    if (image.empty())
    {
        cout << "Failed to load image." << endl;
        return -1;
    }

    // 归一化图像
    Mat normalized;
    double minVal, maxVal;
    minMaxLoc(image, &minVal, &maxVal);
    normalize(image, normalized, 0, 255, NORM_MINMAX, CV_8UC1);

    // 显示结果
    imshow("Original", image);
    imshow("Normalized", normalized);
    waitKey();

    return 0;
}

        在这个示例中，我们首先读取了一张灰度图像，并使用minMaxLoc函数找到图像的最小值和最大值。然后，使用normalize函数将图像进行最小 - 最大归一化，并将结果显示出来。

如果要进行均值方差归一化，只需将normalize函数的参数修改为：

normalize(image, normalized, (mean - min) / (max - min),
 (mean + std_dev - min) / (max - min), NORM_MINMAX, CV_8UC1);

        其中，mean和std_dev分别是输入图像的平均值和标准差。