图像处理之直方图处理

supercolar

已于 2022-09-03 16:03:30 修改

阅读量1.9k

点赞数

分类专栏：数字图像处理文章标签：图像处理图像直方图处理直方图均衡直方图规定化

于 2019-10-14 09:16:44 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_35732969/article/details/82820464

版权

数字图像处理专栏收录该内容

11 篇文章

订阅专栏

我的小程序：

待办计划：给自己立个小目标吧！

灰度级范围为[0,L-1]的数字图像的直方图是离散函数：

$h(r_{k}) = n_{k}$

其中 $r_{k}$ 是第k级灰度值( $r_{k}$ =k)， $n_{k}$ 是图像中灰度值为 $r_{k}$ 的像素个数。

通常用MN表示的图像像素的总数除它的每个分量 $n_{k}$ 来归一化直方图，即：

$p(r_{k}) = n_{k}/MN$

M和N分别是图像的行和列维数，k = 0,1,...,L-1。归一化直方图的所有分量和为1。

若一幅图像的像素倾向于占据整个可能的灰度级并且均匀分布，则该图像会有高对比度的外观和灰度细节丰富的特点。如下图：

直方图均衡

用变量r表示待处理的图像的灰度，灰度变换函数通常需要满足两个条件：

(a) T(r)在空间 $0\leqslant r\leqslant L-1$ 上为单调递增函数
(b) 当 $0\leqslant r\leqslant L-1$ 时， $0\leqslant T(r)\leqslant L-1$

当考虑反函数 $r = T^{-1}(s),0\leqslant s\leqslant L-1$ 时，条件(a)改为：

(a') T(r)在空间 $0\leqslant r\leqslant L-1$ 上是严格单调递增函数

条件(a)保证输出灰度值不少于相应的输入值，防止灰度反变换时产生人为的缺陷；条件(b)保证输出灰度的范围与输入灰度的范围相同；条件(a')保证从s到r的反映射是单值的，即一对一的，防止出现二义性。如下图：

为了产生均衡的直方图，使用如下的灰度变换函数：

$s = T(r) = (L-1)\int_{0}^{r}p_{r}(w)dw$ ....................................(1)

容易看出，该变换满足条件a和b。

下面解释为什么经过(1)式的灰度变换能产生均衡直方图。

令 $p_{r}(r)$ 和 $p_{s}(s)$ 分别表示随机变量r和s的概率密度函数(PDF)。若 $p_{r}(r)$ 和T(r)已知，则变换后的变量s的PDF为：

$p_{s}(s) = p_{r}(r)|dr/ds|$ ......................................................(2)

使用(1)式的变换函数，得：

$\frac{ds}{dr} = \frac{dT(r)}{dr} = (L-1)\frac{d}{dr}[\int_{0}^{r}p_{r}(w)dw] = (L-1)p_{r}(r)$

将dr/ds代入(2)式，得：

$p_{s}(s) = p_{r}(r)|dr/ds| = p_{r}(r)\left | \frac{1}{(L-1)p_{r}(r)} \right | = \frac{1}{L-1},0\leqslant s\leqslant L-1$

可知， $p_{s}(s)$ 始终是一个均匀概率密度函数，与 $p_{r}(r)$ 的形式无关。所以，经过(1)式灰度变换的图像能产生均衡直方图。

(1)式的积分形式针对的是连续灰度值，而对于离散值，用求和的形式处理。一幅图像中灰度级 $r_{k}$ 出现的概率为：

$p(r_{k}) = n_{k}/MN,k = 0,1,2,...,L-1$

(1)式中变换的离散形式为：

$s_{k} = T(r_{k}) = (L-1)\sum_{j=0}^{k}p_{r}(r_{j}) = \frac{(L-1)}{MN}\sum_{j=0}^{k}n_{j},k = 0,1,2,...,L-1$

注：在实际使用中，需要将灰度值取近似为最接近的整数。

直方图匹配（规定化）

直方图匹配或直方图规定化，是指处理后的图像具有规定的直方图形状。

具体说来就是，要找到一个灰度变换函数，使图像在该灰度变换函数的作用下，产生一个我们指定形状的直方图，所谓指定形状的直方图形状，其实就是一个指定的概率密度函数。

假设r和z分别表示输入图像和输出图像的灰度级， $p_{r}(r)$ 是输入图像的概率密度函数， $p_{z}(z)$ 是我们希望输出图像所具有的指定概率密度函数。

令：

$s = T(r) = (L-1)\int_{0}^{r}p_{r}(w)dw$

可以看出，这就是直方图均衡中的变换函数。知道 $p_{r}(r)$ ，就能得到T(r)。

定义随机变量z：

$G(z) = (L-1)\int_{0}^{z}p_{z}(t)dt = s$

同样，知道 $p_{z}(z)$ ，就能得到G(z)，而 $p_{z}(z)$ 就是我们指定的概率密度函数。

可得：

$z = G^{-1}[T(r)] = G^{-1}(s)$

上式就是我们要求的直方图匹配的灰度变换函数。

对于离散形式，类似的我们令：

$s_{k} = T(r_{k}) = (L-1)\sum_{j=0}^{k}p_{r}(r_{j}) = \frac{(L-1)}{MN}\sum_{j=0}^{k}n_{j},k = 0,1,2,...,L-1$

$G(z_{q}) = (L-1)\sum_{i=0}^{q}p_{z}(z_{i})=s_{k},q=0,1,2,...,L-1$

其中， $p_{z}(z_{i})$ 规定的直方图的第i个值， $z_{q}$ 是规定的直方图对应的图像的第q级灰度值（ $z_{q}$ =q），利用反变换找到期望的 $z_{q}$ ：

$z_{q} = G^{-1}(s_{k})$

实践中，并不需要反变换。因为我们处理的灰度级是整数（如8比特图像的灰度级是从0到255），我们常用下面的直方图规定化过程：

计算给定图像的 $p_{r}(r)$ 及其直方图均衡变换 $s_{k}$ ，把 $s_{k}$ 四舍五入为范围[0,L-1]内的整数；
对q=0,1,2,...,L-1计算 $G(z_{q})$ ，其中 $p_{z}(z_{i})$ 规定的直方图的值，把G四舍五入为范围[0,L-1]内的整数，将G存在一个表中；
对每一个 $s_{k}$ ，k=0,1,2,...,L-1，从步骤2中存储的G值表中寻找 $G(z_{q})$ 使 $G(z_{q})$ 最接近 $s_{k}$ 。例如表中第64个 $G(z_{q})$ 最接近 $s_{k}$ ，则根据 $G(z_{q})$ 的定义，此时q=63，也就是 $z_{q}$ =63。当满足给定 $s_{k}$ 的 $z_{q}$ 值多于一个时，按惯例选择最小的值。

待办计划：给自己立个小目标吧！

参考资料：冈萨雷斯《数字图像处理》

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。