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。
image = imread('Unequalized_Hawkes_Bay_NZ.jpg'); Img = rgb2gray(image); [height,width]=size(image);
[counts1, x] = imhist(Img,256); counts2 = counts1/height/width; stem(x, counts2);
统计每个灰度的像素值累计数目。
NumPixel = zeros(1,256);%统计各灰度数目,共256个灰度级 for i = 1:height for j = 1: width %对应灰度值像素点数量增加一 %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) NumPixel(Img(i,j) + 1) = NumPixel(Img(i,j) + 1) + 1; end end
ProbPixel = zeros(1,256); for i = 1:256 ProbPixel(i) = NumPixel(i) / (height * width * 1.0); end
CumuPixel = cumsum(ProbPixel); 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。
for i = 1:height for j = 1: width Img(i,j) = CumuPixel(Img(i,j)); end end
最后显示新图像的直方图。
imshow(Img); [counts1, x] = imhist(Img,256); counts2 = counts1/height/width; 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()。
a = imread('couple.tiff'); R = a(:,:,1); G = a(:,:,2); B = a(:,:,3); R = histeq(R, 256); G = histeq(G, 256); B = histeq(B, 256); a(:,:,1) = R; a(:,:,2) = G; a(:,:,3) = B; imshow(a)
Img = imread('couple.tiff'); hsvImg = rgb2hsv(Img); V=hsvImg(:,:,3); [height,width]=size(V); V = uint8(V*255); NumPixel = zeros(1,256); for i = 1:height for j = 1: width NumPixel(V(i,j) + 1) = NumPixel(V(i,j) + 1) + 1; end end ProbPixel = zeros(1,256); for i = 1:256 ProbPixel(i) = NumPixel(i) / (height * width * 1.0); end CumuPixel = cumsum(ProbPixel); CumuPixel = uint8(255 .* CumuPixel + 0.5); for i = 1:height for j = 1: width V(i,j) = CumuPixel(V(i,j)); end end V = im2double(V); hsvImg(:,:,3) = V; outputImg = hsv2rgb(hsvImg); 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。
如果你是图像处理的同道中人,欢迎加入图像处理学习群(529549320)。为避免广告推销等骚扰信息,入群需回答门槛问题(例如:x平方的一阶导数等于多少?有木有感觉so easy,不过不要笑,管理员收到的答案是五花八门的!注意每人仅有一次尝试机会哦)。Cheers~
更多有趣有用的图像处理算法还可以参考我的《数字图像处理原理与实践(Matlab版)》