图像处理之直方图均衡化及C++实现

1. 背景

直方图均衡化在图像增强方面有着很重要的应用。一些拍摄得到的图片,我们从其直方图可以看出,它的分布是集中于某些灰度区间,这导致人在视觉上感觉这张图的对比度不高。所以,对于这类图像,我们可以通过直方图均衡技术,将图像的灰度分布变得较为均匀,从而使得图像对比度增大,视觉效果更佳。

在这里插入图片描述

2. 原理

直方图均衡化的作用是图像增强

有两个问题比较难懂,一是为什么要选用累积分布函数,二是为什么使用累积分布函数处理后像素值会均匀分布。

第一个问题。均衡化过程中,必须要保证两个条件:①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;②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是累积分布函数。

第二个问题。累积分布函数具有一些好的性质,那么如何运用累积分布函数使得直方图均衡化?比较概率分布函数和累积分布函数,前者的二维图像是参差不齐的,后者是单调递增的。直方图均衡化过程中,映射方法是

在这里插入图片描述
其中,n是图像中像素的总和, n k n_k nk是当前灰度级的像素个数,L是图像中可能的灰度级总数。

来看看通过上述公式怎样实现的拉伸。假设有如下图像:
来看看通过上述公式怎样实现的拉伸。假设有如下图像:
得图像的统计信息如下图所示,并根据统计信息完成灰度值映射:
在这里插入图片描述
映射后的图像如下所示:
在这里插入图片描述

3. C++实现

直方图均衡化的代码实现有以下几个步骤:

  1. 遍历全图,先统计每个灰度级下的像素点个数(为此我们开辟了256大小的数组);
  2. 计算每个灰度级的像素点占总像素的点的比例;
  3. 按照第二步求出的比例重新计算每个灰度级下的新的灰度值,即均衡化;
  4. 依照新的灰度值表遍历更新图像的灰度值。
int gray[256] = { 0 };  //记录每个灰度级别下的像素个数
double gray_prob[256] = { 0 };  //记录灰度分布密度
double gray_distribution[256] = { 0 };  //记录累计密度
int gray_equal[256] = { 0 };  //均衡化后的灰度值

int gray_sum = 0;  //像素总数

Mat equalize_hist(Mat& input)
{
    Mat output = input.clone();
    gray_sum = input.cols * input.rows;

    //统计每个灰度下的像素个数
    for (int i = 0; i < input.rows; i++)
    {
        uchar* p = input.ptr<uchar>(i);
        for (int j = 0; j < input.cols; j++)
        {
            int vaule = p[j];
            gray[vaule]++;
        }
    }

  
    //统计灰度频率
    for (int i = 0; i < 256; i++)
    {
        gray_prob[i] = ((double)gray[i] / gray_sum);
    }

    //计算累计密度
    gray_distribution[0] = gray_prob[0];
    for (int i = 1; i < 256; i++)
    {
        gray_distribution[i] = gray_distribution[i-1] +gray_prob[i];
    }

    //重新计算均衡化后的灰度值,四舍五入。参考公式:(N-1)*T+0.5
    for (int i = 0; i < 256; i++)
    {
        gray_equal[i] = (uchar)(255 * gray_distribution[i] + 0.5);
    }


    //直方图均衡化,更新原图每个点的像素值
    for (int i = 0; i < output.rows; i++)
    {
        uchar* p = output.ptr<uchar>(i);
        for (int j = 0; j < output.cols; j++)
        {
            p[j] = gray_equal[p[j]];
        }
    }

    return output;
}

补充:图像处理直方图统计及C++实现

4. 最后


http://www.niftyadmin.cn/n/1715225.html

相关文章

大白话 同步阻塞、同步非阻塞、异步非阻塞

同步阻塞&#xff08;屌丝&#xff09; 我去找小丽、小丽在忙&#xff0c;我就一直等着、直到她忙完了我再把她接走 同步非阻塞&#xff08;玩家&#xff09; 我去找小丽、小丽在忙&#xff0c;我不等着、等她忙完了给我发信息&#xff0c;我再把她接走 异步非阻塞&#xf…

训练技巧之百万级类别的分类模型的拆分训练

1. 背景 很多人脸识别算法都是以分类的方式进行训练的&#xff0c;分类的训练方式中存在一个很大的问题&#xff0c;就是模型的最后一个全连接层的参数量太大了&#xff0c;以512为特征为例&#xff1a; 类别数参数矩阵尺寸参数矩阵大小&#xff08;MB&#xff09; 100w类别…

k8s ingress、istio网关

k8s ingress ingress 三大组件 1负载均衡器 nginx&#xff0c;Haproxy之类的 2ingress controller ngress Controller实质上可以理解为是个监视器,Ingress Controller通过不断地跟Kubernetes API打交道,实时的感知后端Service、Pod等变化,然后更新反向代理负载均衡器。 3i…

POJ-1000 C++main函数传参和返回值问题

POJ第一题很简单就是AB输出值&#xff0c;但是通过率只有一半&#xff0c;我想很多人都是代码版本问题&#xff0c;其中我遇到的就是C的mian函数返回值为int型。由于之前写的时候喜欢用void返回类型&#xff0c;为此特意了解了一下C&#xff0b;&#xff0b;的main函数传参和返…

训练技巧之数据集太多,加载太慢怎么办?

1. 背景 训练集全是16x16&#xff0c;32x32之类的小图&#xff0c;达到上千万张&#xff0c;训练时发现数据加载很慢很慢很慢&#xff01;&#xff01;&#xff01;看了下CPU 内存 GPU使用情况&#xff0c;发现CPU使用率都跑到90%去了&#xff0c;GPU使用率却较低 2. 解决方法…

大白话之istio gateway、virtual service 、destination rule

老王开了一家家娱乐场所&#xff0c;天上人间&#xff0c;为了气派老王花重金百万打造了一个青铜大门istio-ingressgateway 类似一个nginx。 这么气派的大门必须找两个180以上的保安gateway看门&#xff0c;保安的指责比较的简单明了&#xff0c;按摩&#xff08;anmo.com&am…

超分辨率 | 反卷积deconvolution存在的弊端及引起的棋盘效应

1. 棋盘效应 当我们要用到深度学习来生成图像的时候&#xff0c;是往往是基于一个低分辨率且具有高层语义的图像。这会使得深度学习来对这种低分辨率图像进行填充细节。一般来说&#xff0c;为了执行从低分辨率图像到高分辨率图像之间的转换&#xff0c;我们往往要进行deconvol…