直方图的均衡化
图像处理中直方图均衡化的使用教程
图像处理中直方图均衡化的使用教程图像处理中的直方图均衡化是一种常用的增强图像对比度的方法。
通过对图像的像素值进行重新分布,直方图均衡化可以使图像中的明暗区域更具有对比度,从而提高图像的质量和清晰度。
本文将介绍直方图均衡化的原理、应用场景以及具体的步骤。
1. 直方图均衡化的原理直方图均衡化的原理基于对图像的灰度级进行重新分布。
它通过将原始图像的像素值映射到新的像素值上,使得直方图在整个灰度范围内得到均匀分布。
这样就能够增强图像中的低对比度区域,提高图像的视觉效果。
2. 直方图均衡化的应用场景直方图均衡化在图像处理领域有着广泛的应用。
下面列举了一些常见的应用场景:- 增强图像的对比度:直方图均衡化可以使得图像中的亮度值更加均匀分布,提高图像的对比度,使得图像变得更加清晰。
- 增强图像的细节:直方图均衡化通过增强图像中的低对比度区域,可以使得细节更加显著,提高图像的可视化效果。
- 降低图像的噪声:直方图均衡化可以将图像中的噪声分布均匀化,从而减少噪声对图像质量的影响。
3. 直方图均衡化的步骤下面是使用直方图均衡化对图像进行处理的具体步骤:步骤 1: 将彩色图像转换为灰度图像如果原始图像是彩色图像,我们需要将其转换为灰度图像。
这是因为直方图均衡化是针对灰度级进行处理的。
步骤 2: 计算原始图像的像素值分布使用图像处理工具,计算原始图像中每个像素值的出现频率。
这样可以得到一个直方图,该直方图显示了原始图像中像素值的分布情况。
步骤 3: 计算累积分布函数通过对原始图像的直方图进行累积求和,得到一个累积分布函数。
该函数显示了每个像素值的累积出现频率。
步骤 4: 计算新的像素值根据累积分布函数,计算每个像素值的新的映射像素值。
这个计算公式可以根据具体的图像处理工具而有所不同。
步骤 5: 创建均衡化后的图像使用新的像素值替换原始图像中的像素值,将得到的图像称为均衡化后的图像。
4. 注意事项在使用直方图均衡化时,需要考虑以下几个注意事项:- 直方图均衡化可能会改变图像的整体亮度。
直方图均衡化计算
直方图均衡化计算直方图均衡化是基于灰度直方图的图像增强的一种方法,还有另外一种方法是直方图规定化。
均衡化的目的是将原始图像的直方图变为均衡分布的的形式,将一非均匀灰度概率密度分布图像,通过寻求某种灰度变换,变成一幅具有均匀概率密度分布的目的图像。
具体原理如下:1、连续灰度级:假定:r代表灰度级,P(r)为概率密度函数。
r值已经过归一化处理,灰度值范围在[0,1]之间。
r与P(r)之间的关系如下:非均匀分布的连续灰度直方图均衡化的目的是将上面的非均匀分布变成如下图所示的均匀分布:均匀分布的连续灰度直方图我们接下来要做的是要找到一种变换S=T(r)使直方图变平直,为使变换后的灰度仍保持从黑到白的单一变化顺序,且变换范围与原先一致,以避免整体变亮或变暗,需要有如下规定:(1)在0 <= r <= 1中,T(r)是单调递增函数,且0 <= T(r) <= 1;(2)反变换r=(s),(s)也为单调递增函数,且0 <= s <= 1。
直方图均衡化变换公式推导图示因为灰度变换不影响像素的位置分布,而且也不会增减像素数目,所以有如下的推导公式:2、离散灰度级:设一幅图像的像素总数为n,分为L个灰度级,其中::表示第K个灰度级出现的个数。
:第K个灰度级出现的概率。
(0<=<=1, k=0,1,2,...,L-1),公式如下:计算的基本步骤如下:(1)求出图像中所包含的灰度级,一般都经过归一化处理,范围在[0,1]之间,也可以定在[0,L-1]之间。
(2)统计各灰度级的像素数目(k=0,1,2,...,L-1)。
(3)计算图像直方图。
(4)计算变换函数,即:(5)用变换函数计算映射后输出的灰度级。
(6)统计映射后新的灰度级的像素数目。
(7)计算输出图像的直方图。
根据上面推导出来的公式以及计算步骤,我们可以结合栗子来加深理解~~~eg:设图像有64*64=4096的像素,有8个灰度级,灰度分布如下所示:由上图我们知道该图像的,和,下一步我们要做的就是通过变换函数求,即:依次可求得,,,,。
直方图均衡化原理
直方图均衡化原理直方图均衡化是一种用于增强图像对比度的经典方法,它通过重新分布图像的像素值来实现增强图像的对比度和亮度。
在本文中,我们将介绍直方图均衡化的原理,包括其基本概念、算法步骤和应用场景。
直方图均衡化的基本概念是通过重新分布图像的像素值,使得原始图像的像素值分布更加均匀,从而增强图像的对比度和亮度。
这种方法的核心思想是将原始图像的灰度直方图进行变换,使得变换后的直方图更加平坦,从而实现对比度的增强。
直方图均衡化的算法步骤可以简单概括为以下几步,首先,计算原始图像的灰度直方图,即统计图像中每个像素值的出现次数;然后,根据原始图像的灰度直方图计算累积分布函数(CDF),用于描述像素值的累积分布情况;接着,根据CDF对原始图像的像素值进行映射,得到变换后的图像;最后,根据映射后的像素值重新构建图像,实现对比度增强。
直方图均衡化的应用场景非常广泛,包括但不限于医学图像处理、遥感图像处理、数字摄影等领域。
在医学图像处理中,直方图均衡化可以帮助医生更清晰地观察病灶,提高诊断准确性;在遥感图像处理中,直方图均衡化可以增强图像的细节信息,提高图像的可视化效果;在数字摄影中,直方图均衡化可以改善照片的曝光不足或曝光过度的问题,提高照片的质量。
总之,直方图均衡化作为一种经典的图像增强方法,具有重要的理论意义和实际应用价值。
通过重新分布图像的像素值,直方图均衡化可以有效地增强图像的对比度和亮度,提高图像的质量和可视化效果。
在实际应用中,我们可以根据具体的需求选择合适的直方图均衡化算法,从而实现对图像的有效增强和优化。
希望本文对直方图均衡化的原理有所了解,对读者有所帮助。
如果您对直方图均衡化还有其他疑问或者需要进一步的了解,欢迎继续阅读相关的文献资料或者咨询相关领域的专业人士。
感谢您的阅读!。
直方图的均衡化
三、例题演示
设有1幅64x64,8bit灰度图像,其直方 图见图1,所用均衡化变换函数(即累积 直方图)见图2,均衡化后的直方图见图 3。
直方图均衡化计算列表
序号
运算
1 列出原始图灰度级Sk,k=0,1,…7
0
1
2
2 统计原始直方图各灰度级象素数Nk 790 1023 850
3 用式1计算原始直方图(图1)
对图像空间域点的增强过程是通过增强函数t=EH(s)来完成的, t、s分别为目标图像和原始图像上的像素点(x,y)处的灰度值。
在进行均衡化处理时,增强函数EH需要满足两个条件: 1)、增强函数EH(s)在0≤s≤L-1的范围内是一个单调递增函数,
这个条件保证了在增强处理时没有打乱原始图像的灰度排列次序; 2)、对于0≤s≤L-1应当有0≤EH(s)≤L-1,它保证了变换过程
0 sk 1
k=0,1,…L-1
公式(2)
根据该方程可以由原图像的各像素灰度值直接得到直方图均衡化后各 像素的灰度值。
在实际处理变换时,一般先对原始图像的灰度情况进行统计分析,并
计算出原始直方图分布,然后根据计算出的累计直方图分布 t k ,按式 tkint[(L1)tk0.5]对其取整扩展并得出原灰度s k 到 t k 的灰度映
%step1:get histogram
for i=1:m;
for j=1:n;
k=plane(i,j);
tmhist(k)=tmhist(k)+1;
end
end
四、直方图均衡化的原理程序(lm2.m)
%step2:get cdf
cdf(1)=tmhist(1);
for i=2:256
▪ 其实在MATLAB中,用imhist函数求图像直方图,histeq函数可 以实现直方图均衡化操作(histogram equalization)。
《直方图的均衡化》课件
直方图均衡化的效果评估
直方图均衡化的效果可以通过比较处理前后的直方图、对比度和视觉效果来 评估,通常希望处理后的图像具有更均匀的像素值分布和更好的对比度。
结论和总结
直方图的均衡化是一种有效的图像增强技术,在图像处理和计算机视觉中具有广泛的应用,能够改善图 像的质量和视觉效果。
《直方图的均衡化》PPT 课件
直方图的均衡化是什么
直方图的均衡化是一种图像增强技术,通过调整图像的亮度分布,使得图像中的像素值更均匀地分布在 整个灰度范围内,从而改善图像的对比度和视觉效果。
直方图的基本概念
直方图是用于表示图像中像素值分布的统计图,横坐标表示像素值,纵坐标 表示该像素值对应的像素数量。
直方图的均衡化原理
直方图均衡化的原理是通过对图像的像素值进行变换,使得原始图像的像素值分布更均匀,同时增强图 像的对比度。
直Байду номын сангаас图均衡化的应用场景
直方图均衡化广泛应用于图像增强、图像处理、计算机视觉等领域,可以改 善图像的质量、增强图像的细节和对比度。
直方图均衡化的步骤
直方图均衡化的步骤包括计算原始图像的像素值累计分布函数、对像素值进 行映射,以及将映射后的像素值替换到原始图像中。
直方图均衡化
直方图均衡化
0≤r≤1 • T (r) 满足下列两个条件: (1) 在区间0≤r≤1中为单值且单调递增 (2)当0≤r≤1时,0≤ ≤1 • 条件(1)保证原图各灰度级在变换后仍保
定义(2):
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 rk / n
n 是图像的像素总数
nk是图像中灰度级为rk的像素个数
rk是第 个灰度级, = 0,1,2,…,L-1
比较两种定义
h(rk ) nk
p(rk ) nk / n
其中,定义(2)
定义(1) 定义(2)
直方图均衡化
对于离散值:
pr
(rk
)
nk n
已知变换函数的离散形式为:
sk 称作直方图均衡化
将输入图像中灰度级为 rk(横坐标)的像素映射到
输出图像中灰度级为 s k(横坐标)的对应像素
得到:
即:
sk
T(rk )
k j0
pr (rj )
k j0
nj n
• 使函数值正则化到[0,1]区间,成为实数函数
• 函数值的范围与象素的总数无关
• 给出灰度级 rk 在图像中出现的概率密度统
计
图像直方图的定义举例
直方图均衡化
• 直方图应用举例——直方图均衡化 • 希望一幅图像的像素占有全部可能的灰度级 且分布均匀,能够具有高对比度
• 使用的方法是灰度级变换:s T (r)
持从黑到白(或从白到黑)的排列次序
• 条件(2)保证变换前后灰度值动态范围的 一致性
直方图均衡化的原理和作用
直方图均衡化的原理和作用直方图均衡化是一种常见的图像处理技术,用于增强图像的对比度和视觉效果。
它的原理是通过重新分布图像的灰度级别,使得图像中的像素灰度值分布更加均匀,从而改善图像的视觉效果。
在进行直方图均衡化时,首先需要获取图像的灰度直方图,然后根据灰度直方图的累积概率密度函数对图像的像素进行重新分配。
直方图均衡化的作用主要体现在以下几个方面:1. 增强图像的对比度:直方图均衡化可以有效地增强图像的对比度,使得图像中不同区域的灰度级别更加明显,从而使得图像的细节更加清晰。
2. 提高图像的视觉效果:通过直方图均衡化,图像的灰度级别分布更加均匀,可以使得图像看起来更加自然和真实,同时增强了图像的视觉效果,使得观看者更容易理解和分析图像内容。
3. 抑制背景噪声:在图像处理中,背景噪声往往会影响图像的清晰度和质量。
通过直方图均衡化可以有效地抑制背景噪声,使得图像更加清晰和易于分析。
4. 增强图像的细节:直方图均衡化可以增强图像的细节,使得图像中的纹理和结构更加清晰和突出,同时也能够凸显出图像中的一些微弱的特征。
直方图均衡化的原理是基于图像的灰度级别分布的重新分配,其具体操作过程如下:1. 获取图像的灰度直方图:首先需要对图像进行灰度化处理,然后统计不同灰度级别的像素点数量,从而得到图像的灰度直方图。
2. 计算灰度直方图的累积概率密度函数:根据图像的灰度直方图,可以计算出每个灰度级别对应的累积概率密度函数,即将原始的灰度级别映射到新的灰度级别上。
3. 根据累积概率密度函数对像素进行重新分配:根据计算得到的累积概率密度函数,可以将图像中的每个像素的灰度级别重新映射到新的灰度级别上,从而得到均衡化后的图像。
通过以上操作,可以实现直方图均衡化,从而改善图像的对比度和视觉效果。
需要注意的是,直方图均衡化可能会增强图像中的噪声和细小的纹理,因此在实际应用中需要结合具体的图像特性进行调整,以达到最佳的效果。
总之,直方图均衡化是一种有效的图像处理技术,通过重新分配图像的灰度级别,可以增强图像的对比度,改善图像的视觉效果,并抑制背景噪声,使得图像更加清晰和易于分析。
直方图均衡化处理
实验1.直方图均衡化程序的原理及步骤直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某灰度区间变成在全部灰度范围内的均匀分布。
直方图均衡化的原理:直方图均衡化是把原图像的直方图通过灰度变换函数修正为灰度均匀分布的直方图,然后按均衡直方图修正原图像,其变换函数取决于图像灰度直方图的累积分布函数。
概括地说,就是把一已知灰度概率分布的图像,经过一种变换,使之演变成一幅具有均匀概率分布的新图像。
当图像的直方图为一均匀分布时,图像的信息熵最大,此时图像包含的信息量最大,图像看起来更清晰。
灰度直方图用各灰度值出现的相对频数(该灰度级的像素数与图像总像素数之比)表示。
直方图表示数字图像中每一灰度级与其出现频数的的统计关系,用横坐标表示灰度级,纵坐标表示频数。
直方图就能给出该图像的概貌性描述,例如图像的灰度范围、每个灰度级的频数和灰度的分布、整幅图像的亮度和平均明暗对比度等,由此可得出进一步处理的重要依据。
计算每个灰度级出现的概率为:P r (r k )=N k /N k=0,1,2,…,L-1上式中, P r (r k )表示第k 个灰度级出现的概率,N k 为第 k 个灰度级出现的频数,N 为图像像素总数,L 为图像中可能的灰度级总数。
由此可得直方图均衡化变换函数,即图像的灰度累积分布函数Sk 为:1,...,2,1,0)()(00-====∑∑==L k r P r T s kj NN k j j r k k j 上式中, S k 为归一化灰度级。
这个变换映射称做直方图均衡化或直方图线性化。
直方图均衡化过程如下:(1) 输出原图像;(2) 根据公式P r (r k )=n k /m*n ( k=0,1,2,…,L-1)计算对应灰度级出现的概率,绘制原图像的直方图。
(3) 计算原图象的灰度级累积分布函数:sk=Σp r (r k );(4) 取整Sk=round((S1*256)+0.5);将Sk 归一到相近的灰度级,绘制均衡化后的直方图。
直方图均衡化的本质和作用
具体实现方法是首先计算每个像素点周围的局部阈值, 然后根据阈值将像素点的灰度值分为两类或多类,最 后对每类像素点进行直方图均衡化。
优点是能够更好地处理具有特定分布和噪声的图像; 缺点是计算复杂度较高,且阈值的选择对结果影响较
大。
感谢您的观看
THANKS
01
直方图均衡化通过拉伸图像的对比度,使得图像的 细节更加突出,提高了图像的视觉效果。
02
通过扩展像素值的动态范围,直方图均衡化使得图 像中的亮部和暗部细节都得到更好的展示。
03
对比度的提高有助于增强图像的层次感和立体感, 使得图像更加生动逼真。
增强图像的细节信息
01 直方图均衡化通过拉伸像素值的动态范围,使得 图像中的细节信息得到更好的展示。
02 对于低对比度图像,直方图均衡化能够增强其细 节表现,提高图像的分辨率。
03 在医学影像、卫星遥感等领域,增强细节信息对 于后续的分析和识别至关重要。
改善图像的视觉效果
01
直方图均衡化能够改善图像的视觉效果,使得图像更加清晰、 自然。
02
通过调整像素值的分布,直方图均衡化能够消除图像中的噪声
和干扰,提高图像的质量。
直方图均衡化的本质和作用
目 录
• 直方图均衡化的定义 • 直方图均衡化的本质 • 直方图均衡化的作用 • 直方图均衡化的优缺点 • 直方图均衡化的实现方法
01
直方图均衡化的定义
直方图均衡化的概念
直方图均衡化是一种图像处理技术, 通过拉伸图像的灰度直方图,使其均 匀分布在整个灰度级别范围内,从而 提高图像的对比度和动态范围。
改善视觉效果有助于提高图像的辨识度和可读性,使得图像更
03
加易于分析和处理。
直方图均衡化(histogramequalization)
直⽅图均衡化(histogramequalization)⼀. 原理直⽅图均衡化是想要将聚集在某⼀区间内分布的灰度值,变为均匀的在所有区间内分布。
为了达到这⼀⽬的,我们需要找出⼀个函数T,将r(原图像灰度)映射到s(新图像灰度)上。
同时,由于不想将图像反转,我们需要保证函数单调不减(若需要逆运算,则要严格单调递增)s=T(r)设p r(r)为r的概率分布函数,p s(s)为s的概率分布函数,则两者关系如下p s(s)=p r(r)|dr ds|也就是说,T(r)这个函数现在要满⾜条件:单调递增值域范围为[0,L-1]p s(s)为⼀个常函数(表⽰每⼀个灰度值的概率都相等)现在给出⼀个函数(⾄于为什么是这个函数,我也不知道啊,哪位看官可以帮忙推导⼀下QAQ):s=T(r)=(L−1)∫r0p r(w)dw我们将逐步证明,以上三点成⽴由于此函数为积分所得,因此函数单调递增由于p r(r)为概率密度函数,因此,积分区间为[0,1],乘以常数,区间为[0,L-1]推导过程:ds=dT(r)=d((L−1)∫r0p r(w)dw)=(L−1)p r(r)drp s(s)=p r(r)|drds|=pr(r)|1(L−1)p r(r)|=1L−1此时p s(s)为⼀个均匀密度函数,符合对于离散值,计数每个不⼤于r的概率和,就是这个r对应的ss k=T(r k)=(L−1)k∑j=0p r(r j)⼆. 代码img = imread("14.jpeg");r = img(:,:,1);g = img(:,:,2);b = img(:,:,3);p = stat(r);map = cal(p);img_equa = my_hist_equation(r,map); % 画图%原图subplot(331)imshow(r);title('原图');subplot(332)imhist(r);title('原图直⽅图');%⾃⼰的直⽅图均衡化图subplot(334)imshow(img_equa);title('my直⽅图均衡化图');subplot(335)imhist(img_equa);title('my直⽅图均衡化直⽅图'); subplot(336)plot((0:255)/255,map/255);title('my函数');%标准的直⽅图均衡化图[std_img,T] = histeq(r);subplot(337)imshow(std_img);title('标准直⽅图均衡化图');subplot(338)imhist(std_img);title('标准直⽅图均衡化图直⽅图'); subplot(339)plot((0:255)/255,T);Processing math: 100%title('std函数');figureplot((0:255)/255,map/255);figureplot((0:255)/255,T);%计算图像的分布function p=stat(img)[r,c] = size(img);p = linspace(0,0,256);for i=1:1:rfor j=1:1:cp(img(i,j)+1)= p(img(i,j)+1)+1;endendp = p/(r*c);end%计算r与s的对应关系,矩阵坐标为r,值为s(动态规划) function s=cal(probality)s=probality;l = length(probality);for i=2:ls(i) = s(i-1)+s(i);ends = round(s*255);end%将图⽚根据映射函数,映射function img_equa=my_hist_equation(img,map)[r,c] = size(img);img_equa = zeros(r,c);for i=1:rfor j=1:cimg_equa(i,j) = map(img(i,j)+1);endendimg_equa = uint8(img_equa);end放⼤我的映射函数图⽚为:matlab⾃建的映射函数为:对⽐两个映射函数可以看出来,⾃⼰实现的为⽐较连续的,⽽matlab⾃建的为阶段性的。
直方图均衡化
直⽅图均衡化今天学习了下直⽅图均衡化的原理。
先来看看维基百科上的⼀个例⼦: 从这张未经处理的灰度图可以看出,其灰度集中在⾮常⼩的⼀个范围内。
这就导致了图⽚的强弱对⽐不强烈。
直⽅图均衡化的⽬的,就是使得灰度分布尽可能平均地“填满”整个灰度空间(0~255),就是做到直⽅图的上界是⼀条平⾏于X轴的直线(理想化)。
有了这个⽬标之后,开始推导。
这个推导过程从连续函数出发。
第⼀步:建⽴⼀个从灰度r到s的映射s=T(r)第⼆步:将均衡化后的直⽅图的分布H B 表⽰成原图灰度分布H A 的函数 --> H B(s)=H A(r)/T(r),原理见下。
第三步:理想化的灰度分母应为常数,得T(r)=k*H A(r),不妨另:k=C/A o .(A o为所有像素数)第四步:两边同时积分(0->L),由密度函数的归⼀化条件得 : s=T(L)=C,因为s取值也是0->L,所以C=L。
第五步:把连续函数写成离散形式以适应计算机的处理。
(写出来⼤概就是这样,⾃⼰也能理解,但是总是感觉怪怪的) 可以看出,直⽅图均衡化只是将直⽅图进⾏了伸缩变换,或者说是⼀个搬移。
将变化律低的部分挤压,将变化率⾼的部分拉伸,得到⼀个两边变化陡峭中间平滑的灰度分布(单峰的话就很明显)。
可以看看维基百科上直⽅图均衡化之后的例⼦: 通过观察可以发现,由于中间部分灰度被拉伸了,灰度的取值变得不是很“连续”。
这个就是直⽅图均衡化的⼀个缺点吧。
(其实是离散的问题)———————————————————————————————————————————————————————————————————————————————闲着⽆聊搞了个最简单的直⽅图均衡化⼩程序,⼤家可以⾃⼰拿去试⼀下。
接下来的计划是做⾃适应直⽅图均衡化和对⽐对限制的直⽅图均衡化。
代码:#include <iostream>#include <string>#include <io.h>#include <opencv2/opencv.hpp>#include<math.h>#include<cv.h>using namespace std;using namespace cv;void main(int argc, char** argv){//变量定义//图⽚类IplImage *src , *dst;IplImage *histframesrc , *histframedst;CvSize size;//直⽅图类CvHistogram *histo_src , *histo_dst;int scale;float histmin,histmax;int bins=256;float range[]={0,255};float *ranges[]={range};//杂家int i,j,k,m,n; //循环变量……⽽已float s_r[256]; //S(r)映射函数//---------------------------------------------------------------src=cvLoadImage("11.jpg",0); //图⽚变量初始化cvShowImage("src",src);size=cvGetSize(src);dst=cvCreateImage(size,8,1);histo_src=cvCreateHist(1,&bins,CV_HIST_ARRAY,ranges); //直⽅图初始化histo_dst=cvCreateHist(1,&bins,CV_HIST_ARRAY,ranges);cvCalcHist(&src,histo_src,0,0); //计算直⽅图cvNormalizeHist(histo_src,1); //归⼀//累加,求S(r)映射s_r[0]=cvQueryHistValue_1D(histo_src,0);for(i=1;i<=255;i++){s_r[i]=s_r[i-1]+cvQueryHistValue_1D(histo_src,i);}//当然要把是S(r)归⼀到255啦for(i=0;i<=255;i++){s_r[i]=cvRound(s_r[i]*255);}//遍历图像并由sr关系进⾏直⽅图均衡化啦CvScalar s;for(m=0;m<size.height;m++){for(n=0;n<size.width;n++){s=cvGet2D(src,m,n);i=s.val[0];i=s_r[i];s.val[0]=i;cvSet2D(dst,m,n,s);}}//计算dst直⽅图cvCalcHist(&dst,histo_dst,0,0);cvNormalizeHist(histo_dst,1);//SHOWOFF⼀下啦cvShowImage("dst",dst);scale=1;//画出src和dst的直⽅图histframesrc=cvCreateImage( cvSize(bins*scale,256),8,1);histframedst=cvCreateImage( cvSize(bins*scale,256),8,1);//src的cvGetMinMaxHistValue(histo_src , &histmin , &histmax , 0 , 0 );for(int i = 0; i < bins; i++){/** 获得直⽅图中的统计次数,计算显⽰在图像中的⾼度 */float bin_val = cvGetReal1D(histo_src->bins,i);bin_val=bin_val*255/histmax;s.val[0]=cvRound(bin_val);cvRectangle(histframesrc,cvPoint(i*scale,256),cvPoint((i+1)*scale,256-bin_val),s,-1,8,0); }cvShowImage("src's hisogram",histframesrc);//dst的cvGetMinMaxHistValue(histo_dst , &histmin , &histmax , 0 , 0 );for(int i = 0; i < bins; i++){/** 获得直⽅图中的统计次数,计算显⽰在图像中的⾼度 */float bin_val = cvGetReal1D(histo_dst->bins,i);bin_val=bin_val*255/histmax;cout<<bin_val<<"\t";s.val[0]=cvRound(bin_val);cvRectangle(histframedst,cvPoint(i*scale,256),cvPoint((i+1)*scale,256-bin_val),s,-1,8,0); }cvShowImage("dst's hisogram",histframedst);//输出sr试⼀下for(i=0;i<=255;i++)cout<<s_r[i]<<"\n";for(;;)if(cvWaitKey(0)==27)break;}结果:(直⽅图变得平缓了但是中间部分变得稀疏了)。
简述直方图均衡化的基本原理。
简述直方图均衡化的基本原理。
直方图均衡化是图像处理领域广泛使用的一种技术,它主要用来平衡图像中各个亮度区域。
它可以改善图像的质量,提高图像的局部对比度,而且,这种技术很简单,易于实现。
1.什么是直方图均衡化直方图均衡化是一种用于改善图像质量的算法,能够提高图像的局部对比度和细节,这也是为什么会有这么大的流行度的原因之一。
按照其基本思想,直方图均衡化的目的是改善图像中暗部和亮部的区分度,使其直方图更平坦,从而改善图像的局部对比度。
2.直方图均衡化的原理直方图均衡化是基于直方图概率分布转换(HDPT)实现的,它使原本呈现出偏好的直方图(例如不均衡或不清晰)变得更加均匀。
具体来说,直方图均衡化通过对图像的每个像素的亮度值进行重新映射,以实现直方图的均衡化。
首先,计算出每个像素的累积直方图(CDH),并将其映射到(0,255)的范围内。
然后,将每个像素的亮度值重新映射为与 CDH应的亮度值,从而实现直方图的均衡化。
3.方图均衡化的优势直方图均衡化具有很多优点,下面列举其中几点:(1)改善图像质量:直方图均衡化可以提高图像的局部对比度,可以改善图像的质量;(2)易于实现:直方图均衡化算法非常简单,它只需要更改图像的像素值,而不需要昂贵的计算资源;(3)对不同亮度区域均衡:直方图均衡化可以使不同亮度区域之间的光照差异更加均衡,从而提高图像的整体质量;(4)减少图像噪声:由于直方图均衡化可以改变图像中各个亮度区域之间的差异,因此可以减少图像噪声的影响,从而提高图像质量。
4.直方图均衡化的应用直方图均衡化主要用于图像处理,有助于改善图像的质量,尤其是失真或模糊的图像。
此外,它还可以用于多媒体处理,如视频传输,视频压缩,图像压缩等,以提高这些多媒体文件的质量。
此外,直方图均衡化还可以用于计算机视觉,机器学习等领域。
以上是关于直方图均衡化的基本原理和其相关应用的简单介绍。
随着技术的进步,直方图均衡化将会得到更加深入的研究,以提高图像处理技术的效率和质量。
直方图均衡化
直方图均衡化目录1设计方案及功能描述 (1)2实现步骤 (3)3部分主要程序代码 (3)4运行结果 (7)5总结心得 (9)1设计方案及功能描述1.1 直方图均衡化图像对比度增强的方法可以分成两类:一类是直接对比度增强方法;另一类是间接对比度增强方法。
直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。
直方图拉伸是通过对比度拉伸对直方图进行调整,从而“扩大”前景和背景灰度的差别,以达到增强对比度的目的,这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强。
直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。
直方图均衡化就是对图像进行非线性拉伸,重新分配图像像素值,使一定灰度范围内的像素数量大致相同。
直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。
直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。
这种方法通常用来增加许多图像的局部对比度,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。
这种方法对于背景和前景都太亮或者太暗的图像非常有用,这种方法尤其是可以带来X光图像中更好的骨骼结构显示以及曝光过度或者曝光不足照片中更好的细节。
这种方法的一个主要优势是它是一个相当直观的技术并且是可逆操作,如果已知均衡化函数,那么就可以恢复原始的直方图,并且计算量也不大。
这种方法的一个缺点是它对处理的数据不加选择,它可能会增加背景杂讯的对比度并且降低有用信号的对比度。
直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式,这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。
设原始图像在(x,y)处的灰度为f,而改变后的图像为g,则对图像增强的方法可表述为将在(x,y)处的灰度f映射为g。
直方图直方图均衡化增强
直方图均衡化可以改善医学影像的对比度,使医生能够更清晰地观察病变区域,从而提高诊断的准确 性和可靠性。
病理分析
在病理切片分析中,直方图均衡化可以增强细胞核和染色体的细节,有助于病理医生进行更准确的诊 断和分类。
遥感图像增强
土地利用分类
通过直方图均衡化增强遥感图像的对比度,可以更好地区分不同类型的土地利用,如森 林、城市、农田等。
要点二
详细描述
多尺度直方图均衡化的基本思想是将图像分解为多个尺度 的小波系数,每个尺度上的小波系数具有不同的空间分辨 率和频率特性。在每个尺度上进行直方图均衡化,可以增 强图像在该尺度上的细节和边缘信息。通过将多个尺度上 的结果进行融合,可以得到增强后的图像。这种方法能够 更好地处理图像中的高频信息和边缘细节,提高图像的视 觉效果。
联合直方图均衡化
总结词
联合直方图均衡化是一种改进的直方图均衡化方法, 通过联合考虑多个图像或图像的多个通道进行直方图 均衡化,以增强图像的对比度和色彩信息。
详细描述
联合直方图均衡化的基本思想是同时对多个图像或图 像的多个通道进行直方图均衡化。通过联合处理,可 以增强图像的对比度和色彩信息,提高图像的视觉效 果。在实际应用中,可以同时对RGB三个通道进行联 合直方图均衡化,以增强彩色图像的色彩信息;也可 以对相邻帧的图像进行联合直方图均衡化,以提高视 频的清晰度和对比度。
可能会改变原始图像的灰度分布
01
直方图均衡化会改变原始图像的灰度分布,可能导致一些细节
信息的丢失。
对噪声敏感
02
在存在噪声的情况下,直方图均衡化可能会放大噪声,影响增
强效果。
对动态范围较小的图像效果不佳
03
对于动态范围较小的图像,直方图均衡化可能无法显著提高对
直方图均衡化方法
直方图均衡化方法
直方图均衡化是一种用来增强图像对比度的技术,它通过重新分布图像像素的灰度级来拉伸图像的动态范围。
下面介绍一种基本的直方图均衡化方法:
1. 计算原始图像的灰度直方图:统计每个灰度级出现的像素数量。
2. 计算原始图像的累积分布函数(CDF):将每个灰度级的像素数量加到前一个灰度级的像素数量上,得到一个累积的像素数量曲线。
3. 计算均衡化后的累积分布函数:将CDF映射到新的像素值范围上,通常是0到255。
4. 计算均衡化后的灰度级映射表:将均衡化后的CDF映射到0到255的范围上。
5. 根据映射表,对原始图像的每个像素进行像素值替换:将原始像素值替换为对应的均衡化后的像素值。
6. 输出均衡化后的图像。
通过这个方法,直方图均衡化可以使得图像的像素值更均匀地分布在整个灰度级范围内,从而增强图像的对比度。
直方图均衡化计算公式
直方图均衡化计算公式直方图均衡化(色调均化)“图像(Image)>调整(Adjust)”菜单的功能色调均化(Equalize)Photoshop菜单:图像>调整>色调均化公式:(公式中Sk表示均衡化后的灰度值,∑表示总与,nj是原图中某个灰度色阶j 的像素数量,j的范围是0~k,N是图像像素总数。
)“色调均化”命令重新分布图像中像素的亮度值,以便它们更均匀地呈现所有范围的亮度级。
使用此命令时,Photoshop尝试对图像进行直方图均衡化(Histogram Equalization),即在整个灰度范围中均匀分布每个色阶的灰度值。
当扫描的图像显得比原稿暗,而您想平衡这些值以产生较亮的图像时,能够使用“色调均化”命令。
配合使用“色调均化”命令与“直方图”命令,能够看到亮度的前后比较。
使用“色调均化”命令:1. 选择菜单图像>调整>色调均化。
2. 假如已选择一个图像区域,在弹出的对话框中选择要均化的内容,然后点按“好”。
•“仅色调均化所选区域”只均匀地分布选区的像素。
•“基于所选区域色调均化整个图像”基于选区中的像素均匀分布所有图像的像素。
原理直方图均衡化是一种灰度变换算法,因此我们重点研究灰度图像的直方图均衡化。
绝对的均匀图A是一个黑白灰均匀渐变,0~255的每一个色阶的灰度数量都是相同的。
图B 的是图A的像素打乱了顺序随机分布的,每种灰度的数量都与图A的相同,因而它的直方图也与图A的相同。
图A与图B的直方图。
每种灰度数量是相同的,直方图呈一个黑色矩形。
近似的均匀关于通常的图像,由于每种灰度的像素数量并不相同,我们没办法把每种灰度的分量调得像图A、B那么均匀,但是能够做到近似的均匀。
也就是说,把直方图横向平均分成几份之后,使每一份的像素数量大致相等。
下面是一幅图片的直方图,共有19200个像素,从左到右平均分成三份。
均衡化之后,每份的像素数量都在6400左右。
手工调整方法我们拍摄或者扫描的照片往往会由于光线太强或者太弱,使图像对比度减弱,细节分辨不清。
直方图均衡化
图像的灰度直方图是一个1-D的离散函数
h h ((ff)) n nf f ff 0, 0, 1, 1, ,, L L 1 1
灰度累积直方图也是一个1-D的离散函数
c( f ) n i
i 0 f
f 0, 1,
, L 1
直方图均衡化
直方图均衡化主要用于增强动态范围偏小的图像 的反差。
直方图均衡化
原始图像各灰度级对应的概率分布
例
灰度级
0
1
2
3
4
5
6
7
像素
概率
790
1023 850
656
329
245
122
0.03
81
0.02
0.19 0.25
0.21 0.16
0.08 0.06
18
直方图均衡化
图像直方图均衡化过程如下:
(1)得到变换后的值:
例解:
t 0 T ( s0 ) t1 T (s1 )
我们注意到在暗色的图像中,直 方图的组成成分集中在灰度级低 (暗)的一侧;反之,明亮的图 像的直方图的组成成分则集中在 灰度级高(亮)的一侧;动态范 围小,也就是对比度小,这种图 像直方图集中于灰度级的中部; 动态范围正常的图像直方图的成 分覆盖了灰度级很宽的范围。 直观上,若一图像像素占有全部 可能的灰度级并且分布均匀,则 图像有高的对比度和多变的灰度 色调,即,可通过改变直方图的 形状来达到增强图像对比度。
nk Pr ( rk ) 0 rk 1 n k 0, 1, 2 , , l 1
式中,nk为图像中出现rk 这种灰度的像素数,n 是 图像中像素总数,而 n k 就是概率论中所说的频数。 n 在直角坐标系中作出 rk 与Pr(rk) 的关系图形,这个图 形称为直方图。
【数字图像处理】直方图均衡化
【数字图像处理】直⽅图均衡化全局直⽅图均衡化直⽅图均衡化通过调整图像的直⽅图来增强图像的对⽐度,经常使⽤在医学图像分析中。
例如⼀幅8*8图像像素值如下:对各个像素值进⾏计数:得到累计概率分布:其中均衡化后的像素值计算公式为:前⾯的标题全局直⽅图均衡化,代表着直⽅图在整个图像计算,这样会有⼀个缺点,图像的部分区域会显得过暗或者过亮。
这个时候就需要使⽤⾃适应直⽅图均衡化(Adaptive histogram equalization)。
⾃适应直⽅图均衡化,⾸先将图像分为⼏个部分,然后对每个部分分别计算直⽅图进⾏均衡化,同时对边缘像素进⾏插值处理。
由图中可以看出⾃适应直⽅图均衡化对⾼亮区域的处理要⽐常规的直⽅图均衡化好的多。
1import os2from PIL import Image3from skimage import exposure4import numpy as np5import matplotlib.pyplot as plt678 img = Image.open('/home/vincent/Pictures/work/Unequalized_Hawkes_Bay_NZ.jpg')9 img = np.array(img)10 img_eq = exposure.equalize_hist(img)11 img_adapteq = exposure.equalize_adapthist(img, clip_limit=0.04)1213 plt.figure(0)14 plt.imshow(img)15 plt.title('low contrast image')16 plt.figure(1)17 plt.imshow(img_eq)18 plt.title('high constrast image using normal histogram equalization')19 plt.figure(2)20 plt.imshow(img_adapteq)21 plt.title('high constract image using adaptive histogram euqalization')22 plt.show()。
直方图均衡化
1 直方图均衡化原理、目标、应用及编程实现1.1 直方图均衡化原理直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。
直方图均衡化就是对图像进行非线性拉伸,重新分配图像像素值,使一定灰度范围内的像素数量大致相同。
直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。
直方图规定化直方图均衡化的优点是能自动增强整个图像的对比度,但它的具体增强效果不易控制,处理的结果总是得到全局的均衡化的直方图.实际工作中,有时需要变换直方图使之成为某个特定的形状,从而有选择地增强某个灰度值范围内的对比度,这时可采用比较灵活的直方图规定化方法.直方图规定化增强处理的步骤如下:令Pr (r )和Pz (z )分别为原始图像和期望图像的灰度概率密度函数。
如果对原始图像和期望图像均作直方图均衡化处理,应有⎰==x r dr r P r T S 0)()((1) ⎰==xz dzz p Z G V 0)()((2) )(1V G Z -= (3)由于都是进行均衡化处理,处理后的原图像概率密度函数Ps (S )及理想图像概率密度函数PV (V )是相等的。
于是,我们可以用变换后的原始图像灰度级S 代替(2)式中的V 。
即Z = G - 1(S ) (4)这时的灰度级Z 便是所希望的图像的灰度级。
此外,利用(1)与(3)式还可得到组合变换函数Z = G - 1[T (r )] (5) 对连续图像,重要的是给出逆变换解析式。
对离散图像而言,有n n Z P ii Z =)( (6)∑-===10)()(l i i z i i Z P Z G V (7))]([)(11i i i r T G S G Z --== (8)1.2直方图均衡化目标及应用这种方法通常用来增加许多图像的局部对比度,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。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
射关系。重复上述步骤,得到所有的原图像各灰度级到目标图像各灰
度级的映射关系,再按照新的映射关系对原图像各点像素进行灰度转
换,即可完成对原图的直方图均衡化。下面例题是按照上述算法实现
的。
1.为什么cdf是均衡化的变化函数
tk EH
sk
k i0
ni n
k i0
ps (si )
0 sk 1
k=0,1,…L-1
公式(2)
根据该方程可以由原图像的各像素灰度值直接得到直方图均衡化后各 像素的灰度值。
在实际处理变换时,一般先对原始图像的灰度情况进行统计分析,并
计算出原始直方图分布,然后根据计算出的累计直方图分布 tk ,按式
仙也。名之者/谁?太守/自谓也。太守与客来饮/于此,饮少/辄醉,而/年又最高,故/自号曰/醉翁也。醉翁之意/不在酒,在乎/山水之间也。山水之乐,得之心/而寓之酒也。节奏划分思考“山行/六七里”为什
么不能划分为“山/行六七里”?
明确:“山行”意指“沿着山路走”,“山行”是个状中短语,不能将其割裂。“望之/蔚然而深秀者”为什么不能划分为“望之蔚然/而深秀者”?明确:“蔚然而深秀”是两个并列的词,不宜割裂,“望
形成一片浓荫,秋天风高气爽,霜色洁白,冬日水枯而石底上露,如此,就是山中的四季。【教学提示】翻译有直译与意译两种方式,直译锻炼学生用语的准确性,但可能会降低译文的美感;意译可加强译
文的美感,培养学生的翻译兴趣,但可能会降低译文的准确性。因此,需两种翻译方式都做必要引导。全文直译内容见《我的积累本》。目标导学四:解读文段,把握文本内容1.赏析第一段,说说本文是如
总结
从实现算法上也可以看出其优点主要在于能自动增强 整幅图像的对比度,但具体的增强效果也因此不易控 制,只能得到全局均衡化处理的直方图。
直方图均衡法虽能扩大视觉的动态范围但是以牺牲图 像细节为代价。
新的直方图均衡法:是将改进后的直方图均衡算法和 局部对比度增强法结合起来。前者使图像外貌较好, 后者能增强图像细节。
%step1:get histogram
for i=1:m;
for j=1:n;
k=plane(i,j);
tmhist(k)=tmhist(k)+1;
end
end
四、直方图均衡化的原理程序(lm2.m)
%step2:get cdf
cdf(1)=tmhist(1);
for i=2:256
乎山水之间也。醉能同其乐,醒能述以文者,太守也。这种情绪是作者遭贬谪后的抑郁,作者并未在文中袒露胸怀,只含蓄地说:“醉能同其乐,醒能述以文者,太守也。”此句与醉翁亭的名称、“醉翁之
直方图均衡化计算列表
序号
运算
1 列出原始图灰度级Sk,k=0,1,…7
0
1
2
2 统计原始直方图各灰度级象素数Nk 790 1023 850
3 用式1计算原始直方图(图1)
0.19 0.25 0.21
4 计算累积直方图(图2)
0.19 0.44 0.65
5 取整扩展:Tk=int[(L-1)*Tk+0.5]
划分。2.以四人小组为单位,组内互助解疑,并尝试用“直译”与“意译”两种方法译读文章。3.教师选择疑难句或值得翻译的句子,请学生用两种翻译方法进行翻译。翻译示例:若夫日出而林霏开,云
归而岩穴暝,晦明变化者,山间之朝暮也。野芳发而幽香,佳木秀而繁阴,风霜高洁,水落而石出者,山间之四时也。直译法:那太阳一出来,树林里的雾气散开,云雾聚拢,山谷就显得昏暗了,朝则自暗
何引出“醉翁亭”的位置的,作者在此运用了怎样的艺术手法。
明确:首先以“环滁皆山也”五字领起,将滁州的地理环境一笔勾出,点出醉翁亭坐落在群山之中,并纵观滁州全貌,鸟瞰群山环抱之景。接着作者将“镜头”全景移向局部,先写“西南诸峰,林壑尤美”,
醉翁亭坐落在有最美的林壑的西南诸峰之中,视野集中到最佳处。再写琅琊山“蔚然而深秀”,点山“秀”,照应上文的“美”。又写酿泉,其名字透出了泉与酒的关系,好泉酿好酒,好酒叫人醉。“醉翁
这个条件保证了在增强处理时没有打乱原始图像的灰度排列次序; 2)、对于0≤s≤L-1应当有0≤EH(s)≤L-1,它保证了变换过程
中灰度值的动态范围的一致性。同样的,对于反变换过程 s=EH-1(t),在0≤t≤1时也必须满足上述两个条件。
可以证明累积分布函数就是满足上述条件,通过该函数可以完成s到t 的均匀分布转换,即使直方图均衡化的灰度变化函数是累积分布函数 (概率分部函数)。离散情况下的增强转换方程为:
而明,暮则自明而暗,或暗或明,变化不一,这是山间早晚的景色。野花开放,有一股清幽的香味,好的树木枝叶繁茂,形成浓郁的绿荫。天高气爽,霜色洁白,泉水浅了,石底露出水面,这是山中四季的
景色。意译法:太阳升起,山林里雾气开始消散,烟云聚拢,山谷又开始显得昏暗,清晨自暗而明,薄暮又自明而暗,如此暗明变化的,就是山中的朝暮。春天野花绽开并散发出阵阵幽香,夏日佳树繁茂并
直方图的特点
它只反映该图中不图灰度值出现的次数(或频率), 未反映某以灰度值象素所处的位置。
一幅图各子区的直方图之和就等于该图全图的直方图。 图像直方图覆盖0~255全部灰度级(即256个灰度级
的到了恰当利用)时图像对比度好。但许多图像对应 的直方图并未有效利用动态范围(集中在一侧或中间) 那么其对比度就较差,由此我们引入了一种图像处 理——通过改变原始图像各像素在各灰度级上的概率 分布来实现的图像的灰度变换处理方法——直方图的 均衡化。
二、直方图的均衡化
直方图均衡化处理的中心思想是把原始图像的灰度直方图从比较 集中的某个灰度区间变成在全部灰度范围内的均匀分布。
对图像空间域点的增强过程是通过增强函数t=EH(s)来完成的, t、s分别为目标图像和原始图像上的像素点(x,y)处的灰度值。
在进行均衡化处理时,增强函数EH需要满足两个条件: 1)、增强函数EH(s)在0≤s≤L-1的范围内是一个单调递增函数,
从概率的观点来理解,灰度出现的频率可看作 其出现的概率,这样直方图就对应于概率密度 函数pdf,而概率分布函数就是直方图的累积 和,即概率密度函数的积分,如下图所示:
r
dP(r)
P(r) p(r)dr
0
,
p(r)
dr
若直接从代表每种灰度的 象素数目的直方图来观察, 常用如下的表示:
五、用MATLAB实现直方图的均衡化
其实在MATLAB中,用imhist函数求图像直方图,histeq函数可 以实现直方图均衡化操作(histogram equalization)。
程序为:(lm1.m)
t0=imread(‘f:\ljm\plane1.gif’); %打开一个图像
Imshow(t0) ;
1
3
5
6 确定映射对应关系(Sk-->Tk) 0-》1 1-》3 2-》5
7 统计新直方图各灰度级象素数Nk
790
8 用式计算新直方图(图3)
0.19
步骤和结果
3
4
656 329
0.16 0.08
0.81 0.89
6
6
3,4-》6
1023
0.25
5
6
7
245 122 81
0.06 0.03 0.02
之”是总起词语,故应从其后断句。【教学提示】引导学生在反复朗读的过程中划分朗读节奏,在划分节奏的过程中感知文意。对于部分结构复杂的句子,教师可做适当的讲解引导。目标导学三:结合注释,
翻译训练1.学生结合课下注释和工具书自行疏通文义,并画出不解之处。【教学提示】节奏划分与明确文意相辅相成,若能以节奏划分引导学生明确文意最好;若学生理解有限,亦可在解读文意后把握节奏
cdf(i)=cdf(i-1)+tmhist(i);
End
bar(t,cdf);
%step3:run point operation
for i=1:m
for j=1:n
k=plane(i,j);
plane_equ(i,j)=cdf(k)*256/(m*n);
end
end
醉是为山水之乐而醉,更是为能与百姓同乐而醉。体现太守与百姓关系融洽,“政通人和”才能有这样的乐。5.第四段主要写了什么?明确:写宴会散、众人归的情景。目标导学五:深入解读,把握作者思
想感情思考探究:作者以一个“乐”字贯穿全篇,却有两个句子别出深意,不单单是在写乐,而是另有所指,表达出另外一种情绪,请你找出这两个句子,说说这种情绪是什么。明确:醉翁之意不在酒,在
0
0.3 0.25
0.2 0.15
0.1 0.05
0
0.19
0.25
0.21
0.24
0.11
0
0
0
0.3 0.25
0.2 0.15
0.1 0.05
0
注:由于不能将同一个灰度值的各个象素变换到不 同灰度级,所以数字图像直方图均衡化的结果一般 只是近似均衡的直方图。如图4中的折线是实际均 衡化的结果,而理想均衡化是求平均值,图为一条 水平直线。
设灰度变换 s=f (r) 为斜率有
限的非减连续可 微函数,它将输 入图象A(x,y)转 换为输出图象 B(x,y),输入图 象的直方图为 HA(r),输出图象 的直方图为HB(s), 则它们的关系可 由如下过程导出:
三、例题演示
设有1幅64x64,8bit灰度图像,其直方 图见图1,所用均衡化变换函数(即累积 直方图)见图2,均衡化后的直方图见图 3。