前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >图像处理之直方图均衡化拉伸

图像处理之直方图均衡化拉伸

作者头像
charlee44
发布2022-05-05 21:50:19
1.2K0
发布2022-05-05 21:50:19
举报
文章被收录于专栏:代码编写世界代码编写世界

目录

1. OpenCV实现

在OpenCV中,实现直方图均衡化比较简单,调用equalizeHist函数即可。具体代码如下:

代码语言:javascript
复制
#include <iostream>
#include <opencv2\opencv.hpp>

using namespace std;
using namespace cv;

int main()
{
	Mat srcImage;
	srcImage = imread("D:\\Data\\imgDemo\\lena512color.bmp", IMREAD_GRAYSCALE);
	imshow("原图像", srcImage);
	
	Mat dstImage;
	equalizeHist(srcImage, dstImage);
	imshow("均衡后", dstImage);

	waitKey();

	return 0;
}

注意equalizeHist函数处理的是8位单波段的mat。运行结果如下所示,可以发现经过直方图均衡化之后,图像的对比度增强了很多。

图1
图1

2. 原理

直方图均衡化的基本思想是把原始图的直方图尽可能的均匀分布,其数学原理与数学中的概率论相关。注意,我这里很多论述牺牲了数学的严密性来加强可理解性,毕竟作者只是个应用者和使用者。

1) 概率密度函数

具体到一张图像上来说,可以把图像的灰度(像素值)ri看作是随机变量,则可以知道图像灰度的概率为:

f1
f1

对应的,对于一个连续型的随机变量x,如果存在函数f(x)也满足上面两个条件:

f2
f2

则这个函数就是概率密度函数。 离散随机变量的概率有具体的公式让你理解,那么连续随机变量的概率密度函数具体的公式是怎么样的呢?这个概念其实需要下面要介绍的概率分布函数来理解。

2) 概率分布函数

概率分布函数就是是概率密度函数的变上限积分:

f3
f3

通俗来讲,概率分布函数就是所有小于当前随机变量的概率累加。所以,概率分布函数也被叫做累积概率函数。 知道概率分布函数,引用下网上相关论述[1]就能更好的理解概率密度函数了:

图2
图2

3) 原理应用

直方图均衡化变换就是一种灰度级非线性变换,设r和s分别表示变换前和变换后的灰度,且r和s都进行了归一化的处理。则直方图均衡化变换的公式为:

f4
f4

即归一化后,直方图均衡化的结果s就是r的概率分布函数。

4) 原理推导

根据概率论随机变量的函数的分布的相关知识,有s的概率密度函数为

f5
f5

以下[2]具体论述了其应用过程:

图3
图3
图4
图4

继续推导,有:

f6
f6

其中s为r的概率分布函数,则:

f7
f7

变换后变量s的概率密度为常数,说明其概率密度为均匀分布的。

3. 具体实现

根据第二节的论述,就知道直方图均衡化的具体操作了,可以分成以下几步:

  1. 读取源图像,统计源图像的直方图。
  2. 归一化直方图,统计源图像每个像素的概率密度值和概率分布值。
  3. 将每个像素的概率分布值恢复到 0 到 255 的区间,作为目标图像的像素。
  4. 写出目标图像。

其具体代码实现如下,我这里是采用 GDAL 来读取影像的,因为我想直接操作读 取的内存 buf,这样更底层一些。如果你不会使用 GDAL 也没有关系,你只需要 知道 GDAL 读取的是按照 RGBRGBRGB…排序的内存 buf。

代码语言:javascript
复制
#include <iostream>
#include <algorithm>
#include <gdal_priv.h>

using namespace std;

//直方图均衡化
void GetHistAvgLut(GUIntBig* anHistogram, int HistNum, vector<uint8_t > &lut)
{
	//统计像素总的个数
	size_t sum = 0;
	for (int ci = 0; ci < HistNum; ci++)
	{
		sum = sum + anHistogram[ci];
	}

	//
	vector<double> funProbability(HistNum, 0.0); //概率密度函数
	vector<double> funProbabilityDistribution(HistNum, 0.0);	//概率分布函数

	//计算概率分布函数
	double dsum = (double)sum;
	double accumulation = 0;
	for (int ci = 0; ci < HistNum; ci++)
	{
		funProbability[ci] = anHistogram[ci] / dsum;
		accumulation = accumulation + funProbability[ci];
		funProbabilityDistribution[ci] = accumulation;
	}

	//归一化的值扩展为0~255的像素值,存到颜色映射表
	lut.resize(HistNum, 0);
	for (int ci = 0; ci < HistNum; ci++)
	{
		double value = std::min<double>(std::max<double>(255 * funProbabilityDistribution[ci], 0), 255);
		lut[ci] = (unsigned char)value;
	}
}

//计算16位的颜色映射表
bool CalImgLut(GDALDataset* img, vector<vector<uint8_t>>& lut)
{
	int bandNum = img->GetRasterCount();    //波段数
	lut.resize(bandNum);

	//
	for (int ib = 0; ib < bandNum; ib++)
	{
		//计算该通道的直方图
		int HistNum = 256;
		GUIntBig* anHistogram = new GUIntBig[HistNum];
		int bApproxOK = FALSE;
		img->GetRasterBand(ib + 1)->GetHistogram(-0.5, 255.5, HistNum, anHistogram, TRUE, bApproxOK, NULL, NULL);

		//直方图均衡化	
		GetHistAvgLut(anHistogram, HistNum, lut[ib]);

		//
		delete[] anHistogram;
		anHistogram = nullptr;
	}

	return true;
}


int main()
{
	//
	GDALAllRegister();          //GDAL所有操作都需要先注册格式
	CPLSetConfigOption("GDAL_FILENAME_IS_UTF8", "NO");  //支持中文路径

	//读取
	const char* imgPath = "D:\\Data\\imgDemo\\lena512color.bmp";
	GDALDataset* img = (GDALDataset *)GDALOpen(imgPath, GA_ReadOnly);
	if (!img)
	{
		cout << "Can't Open Image!" << endl;
		return 1;
	}

	//
	int imgWidth = img->GetRasterXSize();   //图像宽度
	int imgHeight = img->GetRasterYSize();  //图像高度
	int bandNum = img->GetRasterCount();    //波段数
	int depth = GDALGetDataTypeSize(img->GetRasterBand(1)->GetRasterDataType()) / 8;    //图像深度

	//创建颜色映射表
	vector<vector<uint8_t>> lut;
	CalImgLut(img, lut);

	//创建
	GDALDriver *pDriver = GetGDALDriverManager()->GetDriverByName("BMP"); //图像驱动
	char** ppszOptions = NULL;
	const char* dstPath = "D:\\Data\\imgDemo\\dst.bmp";
	int bufWidth = imgWidth;
	int bufHeight = imgHeight;
	GDALDataset* dst = pDriver->Create(dstPath, bufWidth, bufHeight, bandNum, GDT_Byte, ppszOptions);
	if (!dst)
	{
		printf("Can't Write Image!");
		return false;
	}

	//读取buf
	size_t imgBufNum = (size_t)bufWidth * bufHeight * bandNum * depth;
	GByte *imgBuf = new GByte[imgBufNum];
	img->RasterIO(GF_Read, 0, 0, bufWidth, bufHeight, imgBuf, bufWidth, bufHeight,
		GDT_Byte, bandNum, nullptr, bandNum*depth, bufWidth*bandNum*depth, depth);

	//迭代通过颜色映射表替换值
	for (int yi = 0; yi < bufHeight; yi++)
	{
		for (int xi = 0; xi < bufWidth; xi++)
		{
			for (int bi = 0; bi < bandNum; bi++)
			{
				size_t m = (size_t)bufWidth * bandNum * yi + bandNum * xi + bi;
				imgBuf[m] = lut[bi][imgBuf[m]];
			}
		}
	}
	
	//写入
	dst->RasterIO(GF_Write, 0, 0, bufWidth, bufHeight, imgBuf, bufWidth, bufHeight,
		GDT_Byte, bandNum, nullptr, bandNum*depth, bufWidth*bandNum*depth, depth);

	//释放
	delete[] imgBuf;
	imgBuf = nullptr;
	GDALClose(dst);
	dst = nullptr;
	GDALClose(img);
	img = nullptr;

	return 0;
}

可以看到我这里统计了0到255的直方图之后,归一化计算每个像素的分布概率,再还原成0到255的值并预先生成了一个颜色映射表,最后直接通过这个颜色映射表进行灰度变换。这是图像处理的一种加速办法。最终得到的结果对比:

图5
图5

其直方图对比:

图6
图6

4. 参考文献

[1] 应该如何理解概率分布函数和概率密度函数 [2] 直方图均衡化的数学原理 [3] 理解概率密度函数 [4] 直方图均衡化的数学原理 [5] 直方图均衡化(Histogram equalization)与直方图规定化

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2019-02-10,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1. OpenCV实现
  • 2. 原理
    • 1) 概率密度函数
      • 2) 概率分布函数
        • 3) 原理应用
          • 4) 原理推导
          • 3. 具体实现
          • 4. 参考文献
          领券
          问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档