直方图均衡化算法原理与实现
来源:互联网 发布:淘宝鹦鹉 编辑:程序博客网 时间:2024/05/21 03:58
工作后,对原来学习的一些基本图像处理算法有了一些新的认识,比如Canny 算法,直方图均衡化算法等,今天就来说说直方图均衡化算法。
直方图均衡化原理
我们知道提高图像对比度的变换函数
f(x) 在0<=x<=L−1 上单调递增(不要求严格单调递增),其中L表示灰度级(L=256)f(x) 的范围是[0,L−1]
我们知道当图像直方图完全均匀分布的时候,此时图像的熵是最大的(随机变量每个值的概率都相同时,概率最大),图像对比度是最大的。所以,理想情况下,图像经过变换函数
那问题来了?怎样的变换函数具有如此神奇的功能呢?[1]P74中给出了答案。
在图像处理中,有一个重要的函数,能够满足上面的条件:
英文原版中P145中的表述为:
其中
分布函数的两个性质:1.单调不减 2.值域为[0,1],我们可以知道f(x)满足条件1和2
有人可能会有这个疑问?图像是离散的,为什么可以用连续的来表示呢?从数学角度来看,离散是连续的一种特例(图像就是一个很好的例子)。
下面我们证明变换后的直方图是均匀的。
由概率论知识,变换后的概率密度:
由变上限函数求导法则可知
反函数的导数等于原函数导数的倒数,所以
所以
看到了吧,变换后的概率密度函数是一个均匀分布,对于图像来说,就是每个灰度级概率都是相等的,达到了我们的目的。
下面我们需要将这个变换函数转换为图像中的表达,图像中,我们可以知道,可以使用求和代替积分,差分代替微分,所以上述的变换函数就是:
其中
直方图均衡化算法实现
void GetHistogram(const Mat &image, int *histogram){memset(histogram, 0, 256 * sizeof(int));//开辟内存空间//计算直方图int pixelCount = image.cols*image.rows;uchar *imageData = image.data;for (int i = 0; i <= pixelCount - 1; ++i){int gray = imageData[i];histogram[gray]++;}}void EqualizeHistogram(const Mat &srcImage, Mat &dstImage){CV_Assert(srcImage.type() == CV_8UC1);dstImage.create(srcImage.size(), srcImage.type());// 计算直方图int histogram[256];GetHistogram(srcImage, histogram);// 计算分布函数(也就是变换函数f(x))int numberOfPixel = srcImage.rows*srcImage.cols;int LUT[256];LUT[0] = 1.0*histogram[0] / numberOfPixel * 255;int sum = histogram[0];for (int i = 1; i <= 255; ++i){sum += histogram[i];LUT[i] = 1.0*sum / numberOfPixel * 255;}// 灰度变换uchar *dataOfSrc = srcImage.data;uchar *dataOfDst = dstImage.data;for (int i = 0; i <= numberOfPixel - 1; ++i)dataOfDst[i] = LUT[dataOfSrc[i]];}
阅读全文
0 0
- 直方图均衡化算法原理与实现
- 直方图均衡化算法原理与实现
- 直方图均衡化原理与实现
- 直方图均衡化算法原理详解
- 直方图均衡化原理及实现
- 直方图均衡化原理
- 直方图均衡化原理
- 直方图均衡化原理
- 直方图均衡化原理
- 直方图均衡化原理
- 直方图均衡化原理
- 直方图均衡化原理
- 直方图均衡化原理
- 直方图均衡化原理
- 直方图均衡化原理
- 直方图均衡化原理
- 直方图均衡化原理
- 直方图均衡化原理
- 面向对象 中继承的特点
- 保证分布式系统数据一致性的6种方案
- Android Zip4J 使用笔记
- 关于字符串长度、字符串逆序的相关程序
- C++学习笔记之SOCKET编程
- 直方图均衡化算法原理与实现
- Linux学习笔记
- 深入JVM内存区域
- Queue集合中的PriorityQueue实现类
- 理解ResNet结构与TensorFlow代码分析
- 手动无限轮播
- 【CQOI2017】小Q的棋盘
- java成长之路(三)---数组
- JavaEE 中DEBUG模式的设计