图像处理之直方图均衡化拉伸

2022-05-05 21:50:19 浏览数 (1)

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

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 <opencv2opencv.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。

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：

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：

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：

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：

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：

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

以下[2]具体论述了其应用过程：

继续推导，有：

其中s为r的概率分布函数，则：

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：

其直方图对比：

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

opencv

0 人点赞