灰度图像增强部分

本篇博客简要介绍线性、分段线性变换和直方图均衡化

灰度变换

空域增强是指在由像素组成的空间直接对像素进行增强的方法，可表示为。
$$dst(x,y)=T[src(x,y)]$$
简单解释下，$dst(x,y)$是增强后的图像，$src(x,y)$是增强前的图像，而$T(\cdot )$是增强的操作，举个简单的例子，$T(m)=2m$，就是说把原来的图像的像素值乘以2当作增强后的图像，好理解吧。

灰度线性变换

介绍这个之前，我们先来回忆下，中学阶段学的点斜式方程。
$$y-y^{\prime }=k(x-x^{\prime })$$
其中，$k为斜率,(x^{\prime },y^{\prime })为已知的一点$。这个方程，大家应该都懂吧，现在来引入灰度线性变换的方程。

假定原图像$f(x,y)$的灰度范围为$[a,b]$，希望变换后图像$g(x,y)$的灰度范围扩展至$[c,d]$，直接看图，一下就能看出来了。

斜率为$\frac{d-c}{b-a}$，用点$(a,c)$带入方程得到

$$g(x,y)=\frac{d-c}{b-a}[f(x,y)-a]+c$$

分段线性变换

无非就是变成了多条线了，本质跟上面说的完全一样。

图上的三条直线，一条一条的带入点斜式方程，就可以求出表达式了，这边就不重复写了。

直方图均衡化

先说直方图的计算步骤

设大小为$M\times N$的图像灰度级为$L$，则其灰度直方图$pList$可用如下算法得到：

1. 初始化，$pHist[k]=0；k=0,\cdots ,L-1$。
2. 统计：$pHlist[f(i,j)]++；i=0,\cdots ,M-1;j=0,\cdots ,N-1$
3. 归一化：$\frac{pHlist[f(i,j)]}{M\times N}$

数学原理

设$r$为灰度变换前的归一化灰度级$(0\le r\le 1)$，$T(\cdot )$为变换函数，$s=T(r)$为变换后的归一化灰度级$(0\le s\le 1)$。

由概率论知识可知，如果已知随机变量$\xi$的概率密度函数为$p_r(r)$，而随机变量$\eta$是$\zeta$的函数，即$\eta =T(\xi )$，$\eta$的概率密度为$p_s(s)$，则可由$p_r(r)$求出$p_s(s)$。我举个简单的例子，可能就比较好明白了，比如说一颗正常的骰子记作A（得到任何一个点的概率相等，不是赌场里面的哈！！！），它得到的点数用随机变量$\xi$来表示；然后另外一颗骰子记作B（得到六个面的概率还是相等，不过点数我们把它全部乘以2，也就是2，4，6，8，10，12这六个点了），它得到的点数用随机变量$\eta$来表示。

下面来看个具体的例子，比如说A骰子摇到点数$\le 4$的概率为$\frac{2}{3}$，B骰子摇到点数$\le 8$的点数当然也是$\frac{2}{3}$啦。

因此就能比较好理解如下的公式了：
$$F_{\eta }(s)=P(\eta <s)={\int }_{-\infty }^s{p}_s(x)dx=P(\xi <r)={\int }_{-\infty }^r{p}_r(x)dx$$
这个公式很好理解吧，s就是上面例子中的8，r就是上面例子中的4。对上式中的两边求导得到：
$$p_s(s)={\left[p_r(r)\cdot \frac{\mathrm{d}r}{\mathrm{d}s}\right]}_{r={\tau }^{-1}(s)}\text{\hspace{1em}(3-9)}$$
若要使变换后的图像灰度 $s$ 为均匀分布，即有 $p_s(s)=1,$ 代人 $(3-9)$ 式可得 $\mathrm{d}s=$ $p_r(r)\mathrm{d}r,$ 对其两边积分可得到变换函数 $T(r)$ 为
$$T(r)=s={\int }_0^r{p}_r(\omega )\mathrm{d}\omega$$
最后再解释下书上的一个表格：

1. k表示的是序号，没啥大作用
2. $r_k$表示的是原来的灰度级
3. $n_k$表示的是等于这个灰度级的个数有几个
4. $p_r(r_k)$表示的是这个灰度级出现的频率，就是$n_k$除以总数了
5. $s_k=T(r_k)$简单理解为累积分布函数
6. 将得到的$s_k$映射为原来的灰度范围
7. 表示从哪个灰度级变换后，得到哪个灰度级
8. 表示变换后的灰度级在全部灰度级中，出现的概率，看到其中有的为0，说明那个灰度级没有出现过。