直方图均衡化算法原理与c++实现-白红宇

直方图均衡化算法原理与c++实现

阅读量：798 次

发布时间：2023-04-15

本文共 2416 字，大约阅读时间需要 8 分钟。

直方图均衡是一种基础的图像增强算法，核心目标是通过非线性拉伸，使图像的灰度级分布更加均匀，从而提升图像的对比度。理解这一算法的优势与局限，对于实际应用至关重要。

优势分析

直方图均衡在处理对比度不足的图像时表现尤为突出。特别是在背景和前景都较亮或较暗的场景中，能够显著增强细节对比度。在技术实现上，该算法计算量较小，完全符合实时处理要求。此外，该算法是可逆的，意味着一旦掌握均衡化函数，就可以准确恢复原始图像。

局限性考量

尽管直方图均衡具有显著的应用价值，但其单一性也带来了局限性。该算法对图像进行处理时，通常会忽略对某些特定区域的精细控制，这可能导致背景噪声增强或重要细节对比度降低。因此，在对特征提取要求较高的场景中，应当谨慎应用这一技术。

算法原理

直方图均衡的核心在于设计一个灰度变换函数f(x)，确保输出灰度级不低于输入，同时保持输出灰度范围与输入一致。根据冈萨雷斯的描述，一个经典的变换函数能够满足这一条件，具体推导过程涉及概率论知识。

该变换函数通过直方图数据计算每个灰度级的累积频率，最终确定输出灰度值。这种方法能够有效均衡图像的灰度分布，使其更具对比度。

代码实现

以下是基于OpenCV的直方图均衡实现代码：

#include 
   
    #include 
    
     #include 
     
      void Histogram_equalization(cv::Mat& src, cv::Mat& dst) {    CV_Assert(src.depth() == CV_8U);    src.copyTo(dst);    int nr = src.rows;    int nc = src.cols;    int pixnum = nr * nc;        if (src.channels() == 1) {        int gray[256] = { 0 };        for (int i = 0; i < nr; ++i) {            const uchar* ptr = src.ptr
      
       (i);            for (int j = 0; j < nc; ++j) {                gray[ptr[j]]++;            }        }                int LUT[256];        int sum = 0;        for (int k = 0; k < 256; ++k) {            sum += gray[k];            LUT[k] = 255 * sum / pixnum;        }                for (int i = 0; i < nr; ++i) {            const uchar* ptr_src = src.ptr
       
        (i);            uchar* ptr_dst = dst.ptr
        
         (i); for (int j = 0; j < nc; ++j) { ptr_dst[j] = LUT[ptr_src[j]]; } } } else { int B[256] = { 0 }; int G[256] = { 0 }; int R[256] = { 0 }; for (int i = 0; i < nr; ++i) { for (int j = 0; j < nc; ++j) { B[src.at
         
          (i, j)[0]]++; G[src.at
          
           (i, j)[1]]++; R[src.at
           
            (i, j)[2]]++; } } int LUT_B[256], LUT_G[256], LUT_R[256]; int sum_B = 0, sum_G = 0, sum_R = 0; for (int k = 0; k < 256; ++k) { sum_B += B[k]; sum_G += G[k]; sum_R += R[k]; LUT_B[k] = 255 * sum_B / pixnum; LUT_G[k] = 255 * sum_G / pixnum; LUT_R[k] = 255 * sum_R / pixnum; } for (int i = 0; i < nr; ++i) { for (int j = 0; j < nc; ++j) { dst.at
            
             (i, j)[0] = LUT_B[src.at
             
              (i, j)[0]]; dst.at
              
               (i, j)[1] = LUT_G[src.at
               
                (i, j)[1]]; dst.at
                
                 (i, j)[2] = LUT_R[src.at
                 
                  (i, j)[2]]; } } }}int main() { cv::Mat src = cv::imread("art.jpg"); if (src.empty()) { return -1; } cv::cvtColor(src, src, CV_RGB2GRAY); cv::Mat dst; Histogram_equalization(src, dst); cv::namedWindow("src"); cv::imshow("src", src); cv::namedWindow("dst"); cv::imshow("dst", dst); cv::waitKey(0);}

效果展示

通过上述代码处理后的结果清晰可见，原图与输出图像的对比度得到显著提升，细节更加丰富，图像整体效果更具视觉吸引力。

转载地址：http://frrfk.baihongyu.com/

你可能感兴趣的文章

mysql 存储过程注入_mysql 视图事务存储过程 SQL注入