一.图像直方图的概念
图像直方图,是指对整个图像在灰度范围内的像素值(0~255)统计出现频率次数,据此生成的直方图,称为图像直方图。直方图反映了图像灰度的分布情况,是图像的统计学特征。图像的灰度直方图就描述了图像中灰度分布情况, 能够很直观的展示出图像中各个灰度级所占的多少。图像的灰度直方图是灰度级的函数, 描述的是图像中具有该灰度级的像素的个数: 其中, 横坐标是灰度级, 纵坐标是该灰度级出现的率。
图像直方图表示图像中每一等级像素的个数,反映了图像中每种像素值出现的频率,是图像的基本统计特征之一,具有平移,旋转,缩放不变性,广泛应用于图像处理的各个领域。比如灰度图像的阈值分割,基于颜色的图像检索,图像的分类等。直方图横坐标表示像素值,纵坐标表示该像素值的个数,常见的有灰度直方图和颜色直方图。
假设有图像像素分布数据长度和宽度为8x8,像素值范围分为0~14共15个灰度等级,统计得到各个等级出现的像素值次数及直方图如下图所示,每个紫色的长条叫BIN。
直方图中的 BINS, DIMS 和 RANGE
(1)BINS:上面的直方图显示输入图像中的每个像素值的像素数量,即从0到14。即需要14个值来显示上述的直方图(输入图像的像素等级为0-14)。但是并不是所有的图像的像素等级都为0-14,例如,大部分的灰度图像的像素等级为0-255,即一共有256个像素等级,如果需要找到位于0到15之间,然后是16到31,... ,240到255之间的像素值。你只需要16个值来表示直方图(即16×16=256)。这就是OpenCV中的BINS,只是将整个直方图拆分成16个子部分,每个子部分的值是其中所有像素数的总和。这个子部分被称为“BIN”,在OpenCV中,BINS由术语hitSize表示。
(2)DIMS: 表示维度,对灰度图像来说只有一个通道值dims=1
(3)RANGE:这是你要测量的强度值的范围。通常,它是[0,256],即所有强度值。
---------------------------------------------------------------------------------------------------------------------------------
二.直方图均衡化
过曝光图像的灰度级集中在高亮度范围内,而曝光不足将使图像灰度级集中在低亮度范围内。采用直方图均衡化,可以把原始图像的直方图变换为均匀分布(均衡)的形式,这样就增加了像素之间灰度值差别的动态范围,从而达到增强图像整体对比度的效果。
直方图均衡化是一种简单有效的图像增强技术,通过改变图像的直方图来改变图像中各像素的灰度,主要用于增强动态范围偏小的图像的对比度。原始图像由于其灰度分布可能集中在较窄的区间,造成图像不够清晰。
实际的直方图均衡化很少能够得到完全平坦的直方图。在离散情况下,通常不能证明离散的直方图均衡化能得到均匀的直方图。尽管如此,均衡化有助于图像直方图的延展,均衡化后图像的灰度级范围更宽,有效地增强了图像的对比度。
--------------------------------------------------------------------------------------------------------------------------------
输入图像的像素等级为0-255等级的情况如下,图像的像素总和为255,如下图所示。
将图像像素分为16个像素区间,每个区间包含16个像素,计算每组像素区间的像素数量,如下图所示。
-------------------------------------------------------------------------------------------------------------------------------
三.直方图均衡化的原理
接下来从数学的角度理解直方图均衡化的原理,假设待处理图像为灰度图像,r 表示待处理图像的灰度,取值范围为,则
表示黑色,
表示白色,直方图均衡化的过程对应于一个变换
也就是说,对于输入图像的某个灰度值,可以通过变换公式
得到图像均衡化后的图像对应位置的灰度值
。其中变换
满足以下条件:
(a) 在
上严格单调递增;
(b) 当时,
也要满足。
条件(a)中严格单调递增是为了保证输出灰度值与输入灰度值一一对应,同时像素灰度值之间的相对大小关系不变,这样可以避免反变换时出现问题;条件(b)保证了输出图像的灰度范围与输入图像相同。实际中处理的图像通常是整数灰度值,必须把所有结果四舍五入为最接近的整数值。因此,当严格单调条件不满足时,使用寻找最接近整数匹配的方法解决反变换不唯一的问题。
图像均衡化推导
一幅灰度图像的灰度级可以看作区间内的随机变量,因此可用其概率密度函数(PDF)描述。假设
和
分别表示随机变量
和
的PDF,
和
已知 , 且
在定义域内连续可微,则变换后
的PDF可由下式得到:
(2)
此处用到了概率论中有关随机变量函数分布的相关定理:设是连续型随机变量,其概率密度函数为
,又函数
严格单调,其反函数
有连续导数,则
也是一个连续型随机变量,其概率密度函数为:
其中
由此看到,输出图像灰度 的PDF就由输入图像灰度
的PDF和变换
得到,图像处理中一个重要的变换函数构造如下:
(3)
其中,是形式积分变量,公式右边是随机变量r rr的累积分布函数(CDF),可以看到,(3)式完全满足前述的条件(a)和(b),为寻找变换后随机变量 s 的概率密度函数
,由(2)式得
(4)
将(4)式代入(2)式得:
(5)
由(5)式可知,为均匀分布,也就是说,输入图像的PDF经过(3)式中的变换
后得到的随机变量 s 服从均匀分布。
结论:图像均衡化变换 取决于
,但得到的
始终是均匀的,与
的形式无关。对于离散形式,其推导过程与连续形式相似,用概率直方图和求和运算分别代替概率密度函数和积分运算,可得(3)式的离散形式:
(6)
假设一幅大小为 64 × 64 像素的3比特图像的灰度分布如下图所示,其中灰度级是范围
中的整数。
| | |
790 | 0.19 | |
1023 | 0.25 | |
850 | 0.21 | |
656 | 0.16 | |
329 | 0.08 | |
245 | 0.06 | |
122 | 0.03 | |
81 | 0.02 |
则直方图均衡化的值可由 (6) 式计算得到:
同理:
以此类推计算求得所有
值并将其近似为最接近的整数,结果如下:
,
,
,
,
均衡化后的图像只有5个灰度级, 被映射为
,在均衡化后的图像中有790个像素取该值,有1023个像素取
,有850个像素取
,因为
和
都被映射为有656+329=985个像素取6,同理,有245+122+81=448个像素取7。
因为直方图是PDF的近似,并且处理后不产生新的灰度级,所以在实际的直方图均衡化很少能够得到完全平坦的直方图。在离散情况下,通常不能证明离散的直方图均衡化能得到均匀的直方图。尽管如此,均衡化有助于图像直方图的延展,均衡化后图像的灰度级范围更宽,有效地增强了图像的对比度。同时,上述方法完全是“自动”的,仅利用输入图像的直方图信息,无需更多的参数。
直方图均衡化原理参考:直方图均衡化_schwein_van的博客-CSDN博客_直方图均衡化
---------------------------------------------------------------------------------------------------------------------------------
四.直方图均衡化API函数接口
void calcHist(
const Mat* images, int nimages,
const int* channels, InputArray mask,
OutputArray hist, int dims, const int* histSize,
const float** ranges, bool uniform = true, bool accumulate = false
);
该函数能够同时计算多个输入图像,多个通道,不同灰度范围的灰度直方图.
其参数如下:
- images,输入图像的数组,这些图像要求大小相同,深度相同(
CV_8U CV_16U CV_32F
) - nimages ,输入图像的个数
- channels,要计算直方图的通道个数
- mask,可选的掩码,不使用时可设为空。要和输入图像具有相同的大小,在进行直方图计算的时候,只会统计该掩码不为0的对应像素
- hist,输出的直方图
- dims,直方图的维度
- histSize,直方图每个维度的大小
- ranges,直方图每个维度要统计的灰度级的范围
- uniform,是否进行归一化,默认为true
- accumulate,累积标志,默认值为false。
---------------------------------------------------------------------------------------------------------------------------------
代码实现
#include"stdafx.h"
#include<opencv.hpp>
#include<iostream>
#include<opencv2\imgproc\imgproc.hpp>
#include<opencv2\opencv.hpp>
#include<opencv2\highgui\highgui.hpp>
using namespace std;
using namespace cv;
//绘制直方图,src为输入的图像,histImage为输出的直方图,name是输出直方图的窗口名称
void drawHistImg(Mat &src, Mat &histImage, string name)
{
const int bins = 256;
int hist_size[] = { bins };
float range[] = { 0, 256 };
const float* ranges[] = { range };
MatND hist;
int channels[] = { 0 };
calcHist(&src, 1, channels, Mat(), hist, 1, hist_size, ranges, true, false);
double maxValue;
minMaxLoc(hist, 0, &maxValue, 0, 0);
int scale = 1;
int histHeight = 256;
for (int i = 0; i < bins; i++)
{
float binValue = hist.at<float>(i);
int height = cvRound(binValue*histHeight / maxValue);
rectangle(histImage, Point(i*scale, histHeight), Point((i + 1)*scale, histHeight - height), Scalar(255));
imshow(name, histImage);
}
}
int main(void)
{
Mat src, dst, image;
src = imread("F:/photo/lp.jpg");
if (!src.data)
cout << "ERR";
cvtColor(src, image, COLOR_RGB2GRAY);
equalizeHist(image, dst);
imshow("src", src);
imshow("equalizeHist", dst);
Mat srcHistImage = Mat::zeros(256, 256, CV_32F);
Mat dstHistImage = Mat::zeros(256, 256, CV_32F);
drawHistImg(src, srcHistImage, "srcHistImage");
drawHistImg(dst, dstHistImage, "dstHistImage");
waitKey(0);
return 0;
}
---------------------------------------------------------------------------------------------------------------------------------
图像处理效果
灰度图和灰度直方图处理
灰度图直方图和直方图变换效果,对灰度图进行处理后,改变了图像的灰度分布,增强动态范围偏小的图像的对比度。均衡化后图像的灰度级范围更宽,有效地增强了图像的对比度。