[人工智能] OpenCV图像处理学习二十，图像直方图均衡化原理与实现

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> OpenCV图像处理学习二十，图像直方图均衡化原理与实现 -> 正文阅读

[人工智能]OpenCV图像处理学习二十，图像直方图均衡化原理与实现

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 $\left [ 0,L-1 \right ]$ ，则? $r = 0$ ?表示黑色， $r = L - 1$ 表示白色，直方图均衡化的过程对应于一个变换 $T$ ? ? ? ? ? ?

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? $s = T\left ( r \right ),0\leqslant r \leqslant L-1$ ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? $\left ( 1 \right )$
也就是说，对于输入图像的某个灰度值 $r$ ，可以通过变换公式 $T$ 得到图像均衡化后的图像对应位置的灰度值 $s$ 。其中变换 $T$ 满足以下条件：

(a)? ?? $T(r)$ 在 $\left [ 0,L-1 \right ]$ 上严格单调递增；
(b)? ? 当 $0\leq r\leq L-1$ 时， $T\left ( r \right )$ 也要满足。

条件(a)中 $T\left ( r \right )$ 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 $\left [ 0 ,L-1 \right ]$ 内的随机变量，因此可用其概率密度函数(PDF)描述。假设 $_{Pr\left ( r \right )}$ 和 $_{Ps\left ( s \right )}$ 分别表示随机变量 $r$ ?和 $s$ ?的PDF, $_{Pr\left ( r \right )}$ 和 $T$ 已知 , 且 $_{Pr\left ( r \right )}$ 在定义域内连续可微,则变换后 $s$ ?的PDF可由下式得到：
?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? $_{Ps\left ( s \right )} = _{Pr\left ( r \right )}\left | \frac{dr}{ds} \right |$ ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(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 $\xi$ 是连续型随机变量，其概率密度函数为 $p\left ( x \right )$ ，又函数 $y = f\left ( x \right )$ 严格单调，其反函数 $h\left ( y\right )$ 有连续导数，则 $\eta = f\left ( \xi \right )$ 也是一个连续型随机变量，其概率密度函数为:

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? $\varphi \left ( y \right ) =\left\{\begin{matrix} & \\ p\left [ h\left ( y \right ) \right ]\cdot \left | {h}' \left ( y \right )\right |,\alpha < y< \beta & \\ 0, other & \end{matrix}\right.$

其中? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? $\alpha = min\left \{ f\left ( -\infty \right ) ,f\left ( +\infty \right )\right \}$

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? $\beta =max \left \{f\left ( -\infty \right ) ,f\left ( +\infty \right ) \right \}$

由此看到，输出图像灰度 $s$ 的PDF就由输入图像灰度 $r$ 的PDF和变换 $T$ ?得到，图像处理中一个重要的变换函数构造如下：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? $s = T\left ( r \right ) = \left ( L-1 \right )\int_{0}^{r}\left ( _{Pr\left ( w \right )} \right )dx$ ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(3)
其中， $w$ 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? $_{Ps\left ( s \right )}$ ,由(2)式得
? ? ? ? ? ? ? ? ? ? ? ? ???? ? $\frac{ds}{dr} = \frac{dT\left ( r \right )}{dr} = \left ( L-1 \right )\int_{0}^{r}\left ( _{P_{r}\left ( w \right )} \right )dw = \left ( L-1 \right )P_{r}\left ( r \right )$ ? ? ? ? ? ? ? ? ? ?(4)

将(4)式代入(2)式得:

? ? ? ? ? ? ? ? ? ? ? ? ? ?? $P_{s}\left ( s \right ) = P_{r}(r)\left | \frac{dr}{ds} \right | = P_{r}\left ( r \right )\frac{1}{\left ( L-1 \right )P_{r}\left ( r \right )},0< s< L-1$ ? ? ? ? ? ? ?(5)?

由(5)式可知， $P_{s}\left ( s \right )$ 为均匀分布，也就是说，输入图像的PDF经过(3)式中的变换 $T$ ?后得到的随机变量 s 服从均匀分布。
结论：图像均衡化变换 $T\left ( r \right )$ ?取决于 $P_{r}\left ( r \right )$ ,但得到的 $P_{s}\left ( s \right )$ 始终是均匀的，与 $P_{r}\left ( r \right )$ ?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:

? ? ? ? ? ? ? ? ? ? ? ? ?? $s_{k} = T\left ( r_{k} \right ) = \left ( L-1 \right )\sum_{j=0}^{k}P_{r}\left ( r_{j} \right ) = \frac{L-1}{MN}\sum_{j=0}^{k}n_{j},n = 1,2,3,......,L-1$ ? ? ? ? ? ? ? ? ?(6)
假设一幅大小为 64 × 64? 像素的3比特图像 $\left ( L=8 \right )$ 的灰度分布如下图所示，其中灰度级是范围 $\left [ 0,L-1 \right ] = \left [ 0,7 \right ]$ ?中的整数。
?

? ? ? ? $r_{k}$	$n_{k}$	? ? ? ? ? ? ? ? ? ? ? ? ? $p_{k}\left ( r_{k} \right ) =\frac{ n_{k}}{MN}$
$r_{0} = 0$	790	? ? ? ? ? ? ? ? ? ? ? ? ? ?0.19
$r_{1} = 1$	1023	? ? ? ? ? ? ? ? ? ? ? ? ? ?0.25
$r_{2} = 2$	850	? ? ? ? ? ? ? ? ? ? ? ? ? ?0.21
$r_{3} = 3$	656	? ? ? ? ? ? ? ? ? ? ? ? ? ?0.16
$r_{4} = 4$	329	? ? ? ? ? ? ? ? ? ? ? ? ? ?0.08
$r_{5} = 5$	245	? ? ? ? ? ? ? ? ? ? ? ? ? ?0.06
$r_{6} = 6$	122	? ? ? ? ? ? ? ? ? ? ? ? ? ?0.03
$r_{7} = 7$	81	? ? ? ? ? ? ? ? ? ? ? ? ? ?0.02

则直方图均衡化的值可由 (6) 式计算得到:

? ? ? ? ? ? ? ? ? ? ? ? ??? $s_{0} = T_{r0} = 7\sum_{j=0}^{0}P_{r}\left ( r_{j} \right )=7P_{r}\left ( r_{0} \right )= 7\cdot 0.19 = 1.33$

同理：? ?

? ? ? ? ? $s_{1} = T_{r1} = 7\sum_{j=0}^{1}P_{r}\left ( r_{j} \right )=7P_{r}\left ( r_{0} \right )+7P_{r}\left ( r_{1} \right )= 7\cdot 0.19 +7\cdot 0.25= 3.08$ ? ? ? ? ? ?以此类推计算求得所有 $s_{k}$ 值并将其近似为最接近的整数，结果如下:

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? $s_{0} = 1.33\approx 1$ , $s_{1} = 3.08\approx 3$

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? $s_{2} = 5.55\approx 5$ , $s_{3} = 5.67\approx 6$

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? $s_{4} = 6.23\approx 6$ , $s_{5} = 6.65\approx 7$

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? $s_{6} = 6.86\approx 7$ , $s_{7} = 7.00\approx 7$

?均衡化后的图像只有5个灰度级， $r_{0}=0$ ?被映射为 $s_{0}=1$ ，在均衡化后的图像中有790个像素取该值，有1023个像素取 $s_{1}=3$ ，有850个像素取? $s_{2}=5$ ，因为 $r_{3}$ 和 $r_{4}$ 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;


}

---------------------------------------------------------------------------------------------------------------------------------