GRAY HISTOGRAM OF MATLAB

一、什么是灰度直方图？

灰度直方图是灰度级的函数，它表示图象中具有每种灰度级的象素的个数，反映图象中每种灰度出现的频率。灰度直方图的横坐标是灰度级，纵坐标是该灰度级出现的频率，是图象的最基本的统计特征。

灰度直方图的基本性质

1.表征了图像的一维信息。只反映图像中像素不同灰度值出现的次数（或频数）而未反映像素所在位置。

2.与图像之间的关系是多对一的映射关系。一幅图像唯一确定出与之对应的直方图，但不同图像可能有相同的直方图。

3.子图直方图之和为整图的直方图。

直方图均衡仪的作用

直方图均衡化 通常用来增加许多图像的全局对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。

我们来看一个灰度图像，让ni表示灰度i出现的次数，这样图像中灰度为i 的像素的出现概率是

L 是图像中所有的灰度数，n 是图像中所有的像素数, p 实际上是图像的直方图，归一化到 0..1。

把 c 作为对应于 p 的累计概率函数, 定义为:

c 是图像的累计归一化直方图。

我们创建一个形式为 y = T(x) 的变化，对于原始图像中的每个值它就产生一个 y，这样 y 的累计概率函数就可以在所有值范围内进行线性化，转换公式定义为:

yi = T(xi) = c(i)

一、图像信噪比的概念

　图像的信噪比应该等于信号与噪声的功率谱之比，但通常功率谱难以计算， 有一种方法可以近似估计图像信噪比，即信号与噪声的方差之比。首先计算图像所有象素的局部方差，将局部方差的最大值认为是信号方差，最小值是噪声方差，求出它们的比值，再转成dB数，最后用经验公式修正。

峰值信噪比经常用作图像压缩等领域中信号重建质量的测量方法，它常简单地通过均方差（MSE）进行定义。两个m×n单色图像I和K，如果一个为另外一个的噪声近似，那么它们的的均方差定义为：

峰值信噪比定义为：

其中，MAX_I是表示图像点颜色的最大数值，如果每个采样点用 8 位表示，那么就是 255。更为通用的表示是，如果每个采样点用 B 位线性脉冲编码调制表示，那么 MAX_I就是

对于每点有RGB三个值的彩色图像来说峰值信噪比的定义类似，只是均方差是所有方差之和除以图像尺寸再除以 3。

图像压缩中典型的峰值信噪比值在 30 到 40dB 之间，愈高愈好。

%%%%%%%%%%%%%%%%%

程序：（I 是原图像，K是滤波后的图像，默认原图无噪声，测试那种滤波效果好）

video=mmreader('che2.AVI');
 I1=read(video,590);
I1=rgb2gray(I1);
[m,n]=size(I1);
J=imnoise(I1,'gaussian',0,0.002); %加入高斯噪声
%进行均值滤波
h=fspecial('average',3);    %fspecial函数用于产生预定义滤波器
I2=uint8(round(filter2(h,I1)));   %filter2函数用于图像滤波,此处h是滤波参数（均值），I1是要处理的图像
%进行中值滤波
I3=medfilt2(J,[3,3]);   %medfilt2函数用于图像的中值滤波
%进行维纳滤波
I4=wiener2(J,[3,3]);%进行一次维纳滤波
I5=wiener2(I4,[3,3]);%进行二次维纳滤波
subplot(2,3,1),imshow(I1),title('原图象')
subplot(2,3,2),imshow(J),title('加噪声图象')
subplot(2,3,3),imshow(I2),title('均值滤波后图象')
subplot(2,3,4),imshow(I3),title('中值滤波后图象')
subplot(2,3,5),imshow(I4),title('维纳滤波后图象')
I1=double(I1);
I2=double(I2);
I3=double(I3);
I4=double(I4);
I5=double(I5);
s2=0;
s2=double(s2);
s3=0;
s3=double(s3);
s4=0;
s4=double(s4);
s5=0;
s5=double(s5);
for i=1:m
    for j=1:n

      s2=s2+(I1(i,j)-I2(i,j))^2;
   s3=s3+(I1(i,j)-I3(i,j))^2;
   s4=s4+(I1(i,j)-I4(i,j))^2;
   s5=s5+(I1(i,j)-I5(i,j))^2;
    end
end
MSE2=s2/(m*n)
MSE3=s3/(m*n)
MSE4=s4/(m*n)
MSE5=s5/(m*n)
 PSNR2=10*log10(double(255^2/MSE2))
  PSNR3=10*log10(double(255^2/MSE3))
   PSNR4=10*log10(double(255^2/MSE4))
    PSNR5=10*log10(double(255^2/MSE5))

PSNR2 =                  

   33.6596

PSNR3 =

   32.6051

PSNR4 =

   33.8043

PSNR5 =

   34.3825