直方图均衡大总结.docxVIP

直方图均衡总结 一、什么是直方图 一个灰度级在范围[0,L-1]的数字图像的直方图是一个离散函数 p(rk) = nk/MN MN是图像中像素的总数 nk是图像中灰度级为rk的像素个数 rk是第k个灰度级，其中k=0,1,2,……,L-1。 由直方图的定义可见： 该定义其实是图像灰度级的概率密度函数，表明图像中某一个灰度级出现的概率，取值范围是[0,1] 什么是直方图均衡 一个“好”的图像，我们希望其：图像的像素占有全部的优先级，并且分布均匀，这样图像就有高的对比度。 也就是说我们要把图像的直方图（概率密度函数）尽量变成均匀分布的直方图，以使图像变“好”。这个过程就是直方图均衡。 如何实现直方图均衡 假设变换： s = T(r), 0≤r≤L-1 T(r)需要满足以下条件： T(r)需要在区间[0,L-1]内为单值，且是单调递增的 当0≤r≤L-1时，0≤T(r)≤L-1 也就是说，像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；另外，如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。 综合以上两个条件，累积分布函数是个好的选择，因为累积分布函数是单调增函数（控制大小关系），并且值域是0到1（控制越界问题），所以直方图均衡化中使用的变换函数是累积分布函数。 累积分布函数是概率密度函数的积分，对连续函数，它是所有小于等于a的值，其出现概率的和,F(a)=P(x=a)。若累积分布函数?F是连续的严格增函数，则存在其反函数。累积分布函数的反函数可以用来生成服从该随机分布的随机变数。 回到刚才的变换函数，我们采用了累积分布函数来做变换函数， s = T(r) = (L-1) 其离散形式为： sk = T(rk) = (L-1)j=0kp 其中sk称为直方图均衡化。 具体的，来看看通过上述公式怎样实现的拉伸。假设有如下图像： 得到图像的直方图信息如下图所示，并根据统计信息完成灰度值映射： 映射后的图像如下所示： 以上就是直方图映射均衡化的步骤。 具体的伪代码如下： 第一步： ??? for(i=0;iheight;i++){????? ?for(j=0;jwidth;j++){??????????n[s[i][j]]++;?? ??? }??? } ??? for(i=0;iL;i++){ ??????? p[i]=n[i]/(width*height); ??? } 这里，n[i]表示的是灰度级为i的像素的个数，L表示的是最大灰度级，width和height分别表示的是原始图像的宽度和高度，s[i][j]是图像的灰度级，所以，p[i]表示的就是灰度级为i的像素在整幅图像中出现的概率(其实就是p[]这个数组存储的就是这幅图像的归一化之后的直方图)。 第二步： for(i=0;i=L;i++){????? ?for(j=0;j=i;j++){??????????c[i]+=p[j];?????? }??? } c[]这个数组存储的就是累积的归一化直方图。是p[]的累积分布函数。 第三步： ??? max=min=s[0][0];??? for(i=0;iheight;i++){???????for(j=0;jwidth;j++){????? ???? if(maxs[i][j]){ ?????????????? max=s[i][j]; ?????????? }else if(mins[i][j]){ ?????????????? min=s[i][j]; ?????????? }?????? }??? } 找出像素的最大值和最小值。为更精确起见，我们不用默认的最大值255，最小值0，而是采用实际图像中的最值。 ? for(i=0;iheight;i++){????? ?for(j=0;jwidth;j++){??????? ??t[i][j]=c[s[i][j]]*(max-min)+min;????? }??? } 将c[]（p[]）的变换，映射回输出图像。t[][]就是最终直方图均衡化之后的结果。 处理前的图片： 处理后的图片： 直方图均衡的意义 增强全局对比度，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。 去雾，有雾的图像直方图分布不均匀，通过直方图均衡，可以达到去雾的目的。如上图。 思考： 为什么累积积分函数可以使直方图均衡化，也就是说使图像概率密度能满足均匀分布？ 为什么选用累积积分函数做变换函数，是不是还可以选用其他变换来实现？ 问题1的证明： s =