计算机视觉
图像处理

基于直方图的图像增强算法(HE、CLAHE、Retinex)之(一)

直方图是图像色彩统计特征的抽象表述。基于直方图可以实现很多有趣的算法。例如,图 像增强中利用直方图来调整图像的对比度、有人利用直方图来进行大规模无损数据隐藏、还有人利用梯度直方图HOG来构建图像特征进而实现目标检测。本节我们 就来讨论重要的直方图均衡化算法,说它重要是因为以此为基础后续又衍生出了许多实用而有趣的算法。

Histogram equalization

如果一幅图像的像素灰度值在一个过于有限的范围内聚集,那么图像的程序效果即会很糟糕,直接观感就是对比度很弱。下图来自维基百科,第一幅图的直方图分布非常不均衡。如果把直方图均匀地延展到整个分布域内,则图像的效果显得好了很多。

Matlab 中提供了现成的函数“histeq()”来实现图像的直方图均衡。但为了演示说明算法的原理,下面我将在Matlab中自行编码实现图像的直方图均衡。通 过代码来演示这个算法显然更加直观,更加易懂。当然,其实我还不得不感叹,如果仅仅是作为图像算法研究之用,Matlab确实非常好用。

首先读入图像,并将其转化为灰度图。然后提取图像的长和宽。

  1. image = imread(‘Unequalized_Hawkes_Bay_NZ.jpg’);
  2. Img = rgb2gray(image);
  3. [HEight,width]=size(image);

然后绘制一下原始图像的直方图。

  1. [counts1, x] = imhist(Img,256);
  2. counts2 = counts1/height/width;
  3. stem(x, counts2);

 

统计每个灰度的像素值累计数目。

  1. NumPixel = zeros(1,256);%统计各灰度数目,共256个灰度级
  2. for i = 1:height
  3.     for j = 1: width
  4.     %对应灰度值像素点数量增加一
  5.     %因为NumPixel的下标是从1开始,但是图像像素的取值范围是0~255,所以用NumPixel(Img(i,j) + 1)
  6.     NumPixel(Img(i,j) + 1) = NumPixel(Img(i,j) + 1) + 1;
  7.     end
  8. end

然后将频数值算为频率

  1. ProbPixel = zeros(1,256);
  2. for i = 1:256
  3.     ProbPixel(i) = NumPixel(i) / (height * width * 1.0);
  4. end

再用函数cumsum来计算cdf,并将频率(取值范围是0.0~1.0)映射到0~255的无符号整数。

  1. CumuPixel = cumsum(ProbPixel);
  2. CumuPixel = uint8(255 .* CumuPixel + 0.5);

直方图均衡。赋值语句右端,Img(i,j)被用来作为CumuPixel的索引。比如Img(i,j) = 120,则从CumuPixel中取出第120个值作为Img(i,j) 的新像素值。

  1. for i = 1:height
  2.     for j = 1: width
  3.         Img(i,j) = CumuPixel(Img(i,j));
  4.     end
  5. end

最后显示新图像的直方图。

  1. imshow(Img);
  2. [counts1, x] = imhist(Img,256);
  3. counts2 = counts1/height/width;
  4. stem(x, counts2);

当 然,上述讨论的是灰度图像的直方图均衡。对于彩色图像而言,你可能会想到分别对R、G、B三个分量来做处理,这也确实是一种方法。但有些时候,这样做很有 可能导致结果图像色彩失真。因此有人建议将RGB空间转换为HSV之后,对V分量进行直方图均衡处理以保存图像色彩不失真。下面我们来做一些对比实验。待 处理图像是标准的图像处理测试用图couple图,如下所示。

首先,我们分别处理R、G、B三个分量,为了简便我们直接使用matlab中的函数histeq()。

  1. a = imread(‘couple.tiff’);
  2. R = a(:,:,1);
  3. G = a(:,:,2);
  4. B = a(:,:,3);
  5. R = histeq(R, 256);
  6. G = histeq(G, 256);
  7. B = histeq(B, 256);
  8. a(:,:,1) = R;
  9. a(:,:,2) = G;
  10. a(:,:,3) = B;
  11. imshow(a)

下面的代码使用了另外一种方式,即将色彩空间转换到HSV后,对V通道进行处理。由于代码基本与前面介绍的一致,这里我们不再做过多解释了。

  1. Img = imread(‘couple.tiff’);
  2. hsvImg = rgb2hsv(Img);
  3. V=hsvImg(:,:,3);
  4. [height,width]=size(V);
  5. V = uint8(V*255);
  6. NumPixel = zeros(1,256);
  7. for i = 1:height
  8.     for j = 1: width
  9.     NumPixel(V(i,j) + 1) = NumPixel(V(i,j) + 1) + 1;
  10.     end
  11. end
  12. ProbPixel = zeros(1,256);
  13. for i = 1:256
  14.     ProbPixel(i) = NumPixel(i) / (height * width * 1.0);
  15. end
  16. CumuPixel = cumsum(ProbPixel);
  17. CumuPixel = uint8(255 .* CumuPixel + 0.5);
  18. for i = 1:height
  19.     for j = 1: width
  20.         V(i,j) = CumuPixel(V(i,j));
  21.     end
  22. end
  23. V = im2double(V);
  24. hsvImg(:,:,3) = V;
  25. outputImg = hsv2rgb(hsvImg);
  26. imshow(outputImg);

 

最 后,来对比一下不同方法对彩色图像的处理效果。下面的左图是采用R、G、B三分量分别处理得到的结果。右图是对HSV空间下V通道处理之结果。显然,右图 的效果更理想,而左图则出现了一定的色彩失真。事实上,对彩色图像进行直方图均衡是图像处理研究领域一个看似简单,但是一直有人在研究的话题。我们所说的 对HSV空间中V分量进行处理的方法也是比较基本的策略。很多相关的研究文章都提出了更进一步的、适应性更强的彩色图像直方图均衡化算法。有兴趣的读者可 以参阅相关文献以了解更多。

分别处理R、G、B三个分量之结果                                            转换到HSV空间后处理V分量

这是本系列文章的第一篇,在下一篇文章中我们将要讨论CLAHE算法,也就是限制对比度的自适应直方图均衡算法。

转载注明来源:CV视觉网 » 基于直方图的图像增强算法(HE、CLAHE、Retinex)之(一)

分享到:更多 ()
扫描二维码,给作者 打赏
pay_weixinpay_weixin

请选择你看完该文章的感受:

0不错 0超赞 0无聊 0扯淡 0不解 0路过

评论 3

评论前必须登录!