1.概念
直方图均衡化 主要用于增强动态范围偏小的图像的反差。 直方图均衡化借助灰度统计直方图和灰度累积直方图来进行。灰度统计直方图反映了图像中不同灰度级的像素的个数;灰度累积直方图 反映了图像中灰度级小于或等于某值的像素的个数。
1.1基本思想:
把原图像的直方图转换为均匀分布的形式,增加像素灰度值的动态范围,增强图像整体对比度。
1.2算法步骤:
(1) 列出原始图像的灰度级k,k=0,1,2,…,L-1,L为灰度级的数量;
(2) 列出原始图像第k级灰度值的归一化表达形式sk;
(3) 统计各灰度级的像素数目nk,k = 0,1,2,…,L-1;
(4) 得到灰度统计直方图的归一化概率表达形式:ps(sk)=nk/N;
(5) 基于累积分布函数计算灰度累积直方图:
(6) 进行取整扩展,计算映射后输出图像各灰度级对应灰度值的归一化表达形式tk:
tk = INT((L-1)E(sk)+0.5)/255
其中,INT为取整函数;
(7) 确定映射关系sk→tk;
(8) 统计映射后各灰度级的像素数目nk;
(9) 得到新的灰度统计直方图的归一化概率表达形式:pt(tk)=nk/N,N为输出图像的像素数目,即原始图像的像素数目。
具体步骤的操作方法如表1-1所示。
表1-1直方图均衡化计算列表
2.用python实现直方图均衡化
在python中可以用cv2.equalizeHist()函数对图像进行直方图均衡化;用cv2.calcHist()函数统计图像各个灰度级的像素点个数。函数的参数:
cv2.calcHist(image, channels, mask, histSize, ranges, accumulate)
函数中各个参数含义如下:
1. image:读入图像,该参数需用“[ ]”括起来。
2. channels:通道编号,如果读入的图像是单通道灰度图像,则此参数值为[0];对于读入的彩色图像,其值可为[0]、[1]、[2]分别对应通道B、G、R。该参数需用“[ ]”括起来。
3. mask:掩模图像,当统计图像某一区域的直方图时,需要设置该值;当统计整幅图的直方图时,此值设为None。
4. histSize:BINS值,该参数需用“[ ]”括起来。
5. ranges:像素值范围,例如,8位灰度图的像素值范围是[0,256]。
6. accumulate:累计标识,默认为False。如果被设置为True,则直方图在开始计算时不会被清零,计算的是多个直方图的累积结果,用于对一组图像计算直方图。该参数允许从多个对象中计算单个直方图,或者实时更新直方图。该参数是可选的,一般情况下不需要设置。
在python中实现图像均衡化的例子如下:
总结
1.直方图均衡化的优点:
能够增强整个图像的对比度。
2.直方图均衡化的缺点:
(1)增强效果不易控制,处理的结果总是得到全局均匀化的直方图。
(2)均衡化图像的动态范围扩大了,本质上是扩大了量化间隔,但量化级别(灰度级)反而减少了,导致某些细节消失。
(3)某些图像,若直方图有高峰,经处理后对比度可能过分增强。
(4)导致出现伪轮廓。原来灰度不同的像素经过处理后可能变得相同,形成了一片相同灰度的区域,各区域之间有明显的边界,从而出现了伪轮廓。