下载文档原格式
图像处理中直方图均衡化的使用教程图像处理中的直方图均衡化是一种常用的增强图像对比度的方法。
通过对图像的像素值进行重新分布，直方图均衡化可以使图像中的明暗区域更具有对比度，从而提高图像的质量和清晰度。
本文将介绍直方图均衡化的原理、应用场景以及具体的步骤。
1. 直方图均衡化的原理直方图均衡化的原理基于对图像的灰度级进行重新分布。
它通过将原始图像的像素值映射到新的像素值上，使得直方图在整个灰度范围内得到均匀分布。
这样就能够增强图像中的低对比度区域，提高图像的视觉效果。
2. 直方图均衡化的应用场景直方图均衡化在图像处理领域有着广泛的应用。
下面列举了一些常见的应用场景：- 增强图像的对比度：直方图均衡化可以使得图像中的亮度值更加均匀分布，提高图像的对比度，使得图像变得更加清晰。
- 增强图像的细节：直方图均衡化通过增强图像中的低对比度区域，可以使得细节更加显著，提高图像的可视化效果。
- 降低图像的噪声：直方图均衡化可以将图像中的噪声分布均匀化，从而减少噪声对图像质量的影响。
3. 直方图均衡化的步骤下面是使用直方图均衡化对图像进行处理的具体步骤：步骤 1: 将彩色图像转换为灰度图像如果原始图像是彩色图像，我们需要将其转换为灰度图像。
这是因为直方图均衡化是针对灰度级进行处理的。
步骤 2: 计算原始图像的像素值分布使用图像处理工具，计算原始图像中每个像素值的出现频率。
这样可以得到一个直方图，该直方图显示了原始图像中像素值的分布情况。
步骤 3: 计算累积分布函数通过对原始图像的直方图进行累积求和，得到一个累积分布函数。
该函数显示了每个像素值的累积出现频率。
步骤 4: 计算新的像素值根据累积分布函数，计算每个像素值的新的映射像素值。
这个计算公式可以根据具体的图像处理工具而有所不同。
步骤 5: 创建均衡化后的图像使用新的像素值替换原始图像中的像素值，将得到的图像称为均衡化后的图像。
4. 注意事项在使用直方图均衡化时，需要考虑以下几个注意事项：- 直方图均衡化可能会改变图像的整体亮度。
简述直方图均衡化的基本原理。
直方图均衡化是一种图像处理技术，它可以改善图像的视觉效果，从而使得图像变得更加清晰、对比度更高。
它的原理是通过将图像的亮度分布更均匀，使得图像的光线更加均衡，而不会给受光照不均匀的部分造成影响。
直方图均衡化可以分为两种：全局均衡化和局部均衡化。
全局均衡化通过改变图像的整体亮度分布来达到均衡化的目的，而局部均衡化则是改变局部亮度分布，以达到均衡化的效果。
首先，我们需要了解什么是图像的直方图以及它与均衡化的关系。
直方图是展示图像的亮度分布的一种图表，它可以帮助我们了解图像的光照状况，从而为均衡化提供参考。
直方图均衡化是基于均匀性的一种图像处理技术。
其基本原理是扩展图像的亮度分布，使得其均衡分布，而不会给受光照不均匀的部分造成影响。
这种技术可以很好地提高图像的对比度，从而使图像更加清晰。
全局均衡化是一种普遍使用的直方图均衡化技术，它可以通过改变图像亮度分布，从而达到均衡化的效果。
这一处理技术可以通过改变一幅图像的整体亮度和对比度来实现图像处理的目的。
另一种技术是局部均衡化，它可以通过改善局部的亮度分布，从而使得图像的整体质量得到改善。
局部均衡化可以有效地减少图像中局部的暗处和亮处，从而使得图像中的一些细节成分得到更加清楚的显示。
对于改善图像质量，所有这些技术都是必不可少的。
因此，任何一种图像处理技术，都应该用最有效的方式改善图像的质量，以实现最佳的视觉效果。
总之，直方图均衡化是一种提高图像对比度、降低图像的灰度级数以及改善图像的质量的一种有效的图像处理技术。
它的基本原理是通过改变图像的亮度分布，使得其均衡分布，从而达到均衡化的目的。
它可以有效地帮助我们改善图像的质量，以达到最佳的视觉效果。
图像直方图均衡化原理
图像直方图均衡化是一种常用的图像增强方法，通过调整图像的像素灰度分布，使得图像的对比度增强、细节更加清晰。
其原理主要分为以下几个步骤：
1. 统计像素灰度值的分布：首先，对待处理的图像，统计每个灰度级别的像素点数量，得到原始图像的灰度直方图。
2. 计算累计分布函数：根据灰度直方图，计算每个灰度级别对应的累计分布函数，即该灰度级别及其之前的像素点的累积数量比例。
3. 灰度映射：对于每个像素点，将其灰度值通过累计分布函数进行映射，得到新的灰度值。
通常情况下，可以通过线性映射或非线性映射来实现，使得图像的灰度分布变得更加均匀。
4. 重构图像：将经过灰度映射处理后的灰度值替换原始图像中的对应像素点的灰度值，从而得到均衡化后的图像。
通过图像直方图均衡化处理，可以提高图像的对比度，使暗部和亮部细节更加突出，同时抑制了图像中灰度级别分布不均匀的问题。
这种方法在图像增强、图像分析等领域都有广泛应用。
数字图像处理实验报告姓名: 王程学号: 2012021199037 日期：2013.3.30 一、实验要求（1）对一幅的对比度灰度图像进行直方图均衡化处理，画出处理前后的图像及直方图（2）用matlab读取和显示二、实验代码clc;clear;I=imread('E:\数字图像处理\exp2\伊伽贝拉.jpg'); %读入图像文件if isrgb(I)I=rgb2gray(I);endsubplot(221),imshow(I);title('原图像伊伽贝拉')[m,n]=size(I); %测量图像尺寸参数B=zeros(1,256); %预创建存放灰度出现概率的向量for i=1:mfor j=1:n%k=I(i,j);%k=k+1;%B(k)=B(k)+1;B(I(i,j)+1)=B(I(i,j)+1)+1; %计算每级灰度出现的概率endendsubplot(222),stem(0:255,B,'Marker','none'); %绘制直方图title('未均衡化的直方图');S=I;[m,n]=size(S); %读出图像的大小BP=zeros(1,256); %预创建存放灰度出现概率的向量for k=0:255BP(k+1)=length(find(S==k))/(m*n); %计算每级灰度出现的概率endB1=zeros(1,256)for i=1:256for j=1:iB1(i)=BP(j)+B1(i);endendB2=round((B1*256)+0.5); for i=1:256BPeq(i)=sum(BP(find(B2==i))); end I=S;for i=0:255;I(find(S==i))=B2(i+1); %将各个像素归一化后的灰度值赋给这个像素 endsubplot(223),imshow(I); %显示均衡化后的图像title('均衡化后的图像'); subplot(224),imhist(I); %利用系统函数进行直方图计算title('均衡化后的直方图'); 三、 实验结果截图并做分析原图像伊伽贝拉01002003001234x 104未均衡化的直方图均衡化后的图像020004000均衡化后的直方图100200分析：从上面各个图中可以看出在原图像中的一些看不到或看不清楚的细节在均衡化后可以分辨出来，均衡化的图像变得更清晰。
图像增强是数字图像处理的基本内容。
遥感图像增强是为特定目的，突出遥感图像中的某些信息，削弱或除去某些不需要的信息，使图像更易判读。
图像增强的实质是增强感兴趣目标和周围背景图像间的反差。
它不能增加原始图像的信息，有时反而会损失一些信息。
它也是计算机自动分类一种预处理方法。
目前常用的图像增强处理技术可以分为两大类：空间域和频率域的处理。
主要内容包括基于直方图的处理、图像平滑以及图像锐化等。
空间域处理是指直接对图像进行各种运算以得到需要的增强结果。
频率域处理是指先将空间域图像变换成频率域图像，然后在频率域中对图像的频谱进行处理，以达到增强图像的目的。
6.2.1 图像灰度的直方图图像灰度直方图反映了一幅图像中灰度级与其出现概率之间的关系。
对于数字图像，由于图像空间坐标和灰度值都已离散化，可以统计出灰度等级的分布状况。
数字图像的灰度编码从0，1，2，…，2n－1（n为图像量化时的比特数），每一个灰度级的像元个数mi可以从图像中统计出来，整幅图像的像元数为M，则任意灰度级出现的频率为：（6－20）（6－21）由2n个P值即可绘制出数字图像的灰度直方图，如图6－5。
图像直方图随图像不同而不同，不同图像有不同的直方图。
图6－5数字图像直方图灰度直方图可以看成是一个随机分布密度函数，其分布状态用灰度均值和标准差两个参数来衡量。
灰度均值为：(6－22)式中：为整幅图像灰度平均值；X ij为（i,j）处像元的灰度值；R为图像行数；L为图像列数；M=R*L为图像像元总数；标准差：Xi：i处像元的灰度值直方图分布状态不同，图像特征不同，如图6－6所示。
a图像直方图靠近低灰度区，该图像属于低反射率景物图像；b图像为高反射率景物图像；c图像直方图标准差偏小，为低反差景物图像；d图像直方图的标准差较大，为高反差景物的图像；e图像直方图呈现出多峰，图中有多种地物出现的频率较高；f图像直方图呈现出双峰，并且高亮度地物（如云、白背景等）出现频率高。
图像直⽅图的均衡化处理图的均衡化图像直⽅图的均衡化处理⼀，技术要求1.1，利⽤matlab提供的函数处理 (2)1.2，利⽤matlab⾃⾏编辑代码处理 (3)⼆，基本原理 (3)2.1，直⽅图的均衡化 (3)2.2，直⽅图的标准化 (3)三，建⽴模型描述 ......................................................................... 3~43.1，利⽤matlab提供的函数处理 (4)3.2，利⽤matlab⾃⾏编辑代码 (4)四，源程序代码 ............................................................................. 5~64.1，绘制图像直⽅图的代码 (5)4.2，绘制图像均衡化后直⽅图的代码 (5)4.3，显⽰均衡化后图像的代码 (6)五，调试过程及结论 ..................................................................... 6~85.1，在编辑窗⼝键⼊绘制直⽅图的源代码得到的输出结果为图2 (6)5.2，利⽤matlab函数绘制的图像直⽅图标准化的输出结果如图3..75.3，直⽅图均衡化输出结果如图4所⽰。
(8)六，⼼得体会 (9)七，参考⽂献 (9)图像直⽅图的均衡化处理⼀，技术要求1.1，利⽤matlab提供的函数处理利⽤matlab提供的函数画出⼀幅图像的直⽅图，对其进⾏均衡化和标准化处理，并⽐较均衡化（标准化）后图像和原图像的区别。
1.2，利⽤matlab⾃⾏编辑代码处理利⽤matlab⾃⾏编辑代码，实现⼀幅图像的直⽅图显⽰和均衡化的处理，同样⽐较处理前后两幅图像的区别，了解图像均衡化的效果和实际运⽤。
⼆，基本原理直⽅图是多种空域处理技术的基础。
它能有效的⽤于图像增强。
图像处理基础（8）：图像的灰度直⽅图、直⽅图均衡化、直⽅图规定化（匹配）本⽂主要介绍了灰度直⽅图相关的处理，包括以下⼏个⽅⾯的内容：利⽤OpenCV 计算图像的灰度直⽅图，并绘制直⽅图曲线直⽅图均衡化的原理及实现直⽅图规定化（匹配）的原理及实现图像的灰度直⽅图⼀幅图像由不同灰度值的像素组成，图像中灰度的分布情况是该图像的⼀个重要特征。
图像的灰度直⽅图就描述了图像中灰度分布情况，能够很直观的展⽰出图像中各个灰度级所占的多少。
图像的灰度直⽅图是灰度级的函数，描述的是图像中具有该灰度级的像素的个数：其中，横坐标是灰度级，纵坐标是该灰度级出现的频率。
不过通常会将纵坐标归⼀化到[0,1]区间内，也就是将灰度级出现的频率（像素个数）除以图像中像素的总数。
灰度直⽅图的计算公式如下：p (r k )=n kMN其中，r k 是像素的灰度级，n k 是具有灰度r k 的像素的个数，MN 是图像中总的像素个数。
OpenCV 灰度直⽅图的计算直⽅图的计算是很简单的，⽆⾮是遍历图像的像素，统计每个灰度级的个数。
在OpenCV 中封装了直⽅图的计算函数calcHist ，为了更为通⽤该函数的参数有些复杂，其声明如下：void calcHist( const Mat* images, int nimages,const int* channels, InputArray mask,OutputArray hist, int dims, const int* histSize,const float** ranges, bool uniform = true, bool accumulate = false );该函数能够同时计算多个图像，多个通道，不同灰度范围的灰度直⽅图.其参数如下：images ，输⼊图像的数组，这些图像要有相同⼤⼤⼩，相同的深度（CV_8U CV_16U CV_32F ）.nimages ，输⼊图像的个数channels ，要计算直⽅图的通道个数。
【数字图像处理】直⽅图的均衡与规定化很多情况下，图像的灰度级集中在较窄的区间，引起图像细节模糊。
通过直⽅图处理可以明晰图像细节，突出⽬标物体，改善亮度⽐例关系，增强图像对⽐度。
直⽅图处理基于概率论。
直⽅图处理通常包括直⽅图均衡化和直⽅图规定化。
直⽅图均衡化可实现图像的⾃动增强，但效果不易控制，得到的是全局增强的结果。
直⽅图规定化可实现图像的有选择增强，只要给定规定的直⽅图，即可实现特定增强的效果。
直⽅图均衡化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。
灰度统计直⽅图灰度统计直⽅图反映了图像中不同灰度级出现的统计情况。
灰度统计直⽅图是⼀个⼀维离散函数，可表⽰为h (k )=n k ,k =0,1,...L −1，其中k 为某个灰度级，L 为灰度级的数量，最⼤取256，n k 为具有第k 级灰度值的像素的数⽬。
灰度直⽅图归⼀化概率灰度统计直⽅图的归⼀化概率表达形式给出了对s k 出现概率的⼀个估计，可表⽰为p s (s k )=n k /N ,k =0,1,2..,L −1式中，k 为某个灰度级；L 为灰度级的数量，最⼤取256；s k 为第k 级灰度值的归⼀化表达形式，s k =k /255，故s k ∈[0，1]；n k 为具有第k 级灰度值的像素的数⽬；N 为图像中像素的总数，故（n k /N ）∈[0，1]。
灰度累计直⽅图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。
灰度累积直⽅图是⼀个⼀维离散函数，可表⽰为H (k )=k ∑i =0n i ,k =0,1,2..,L −1式中，k 为某个灰度级；L 为灰度级的数量，最⼤取256；n i 为具有第i 级灰度值的像素的数⽬。
累积分布函数可以表⽰为：t k =k ∑i =0p s (s i )相对的，灰度累积直⽅图的归⼀化表⽰如下图：Processing math: 100%原理步骤直⽅图均衡化主要⽤于增强动态范围偏⼩的图像的反差。
线性变换、非线性变换、直方图均衡、直方图匹配2 图像滤波图像卷积运算平滑：均值平滑、中值滤波平滑锐化：梯度检测、边缘检测、定向检测3 彩色增强单波段彩色变换和多波段彩色合成4图像运算差值运算：两幅同样行、列数的图像，对应像元的亮度值相减就是差值运算。
比值运算：两幅相同行列数的图像, 对应像元的亮度值相除就是比值运算。
5多光谱变换其变换的本质:对遥感图像实行线性变换，使光谱空间的坐标按一定规律进行旋转。
K-L变换K-T变换1.教学时数2学时2.教学方式（手段）讲授法、演示法3.师生活动设计教师提问，学生回答。
4.讲课提纲、板书设计采用多媒体教学5.教学内容第五节遥感数据的融合图像融合是指把多源遥感数据按照一定的规则或算法进行处理, 生成一幅具有新的空间、光谱和时间特征的合成图像。
图像融合并不是数据间的简单复合, 其目的是: 突出有用信息, 消除或抑制无关信息; 增加解泽的可靠性, 减少识别目标的模糊性和不确定性, 为快捷、准确地识别和提取目标信息奠定基础。
1 多源遥感数据的融合多源遥感数据融合的基本过程包括图像选择、图像配准和图像融合三个关键环节。
图像融合时,需根据融合图像的类型、特点以及融合的目的,选择恰当的融合方法。
常用的融合方法主要有:基于加减乘除运算的融合,基于相关分析、主成分变换、小波分析以及基于IHS变换的融合等。
2 遥感数据与地学信息的融合地学信息与遥感数据的结合和相互印证, 则有助于对遥感图像特征的综合分析, 提高图像解译的科学性。
(1) 地学信息的预处理地学信息主要指各种专题地图和专题数据, 前者包括土地利用图、植被图、土壤图、等值线图等, 后者包括各种采样分析数据、野外测量数据、调查统计数据、 DEM数据等。
地学信息的预处理包括专题地图的数字化和专题数据的图像化。
地学信息的预处理实现了地学信息到数字图像的转换, 接下来就可以进行空间配准和融合处理了。
空间配准包括地学数据之间及地学与遥感数据之间的空间配准, 即运用图像处理技术, 将不同地学数据集配准到统一的地理坐标系统上, 形成以图像为基础的综合数据库。
实验1.直方图均衡化程序的原理及步骤直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某灰度区间变成在全部灰度范围内的均匀分布。
直方图均衡化的原理：直方图均衡化是把原图像的直方图通过灰度变换函数修正为灰度均匀分布的直方图,然后按均衡直方图修正原图像,其变换函数取决于图像灰度直方图的累积分布函数。
概括地说,就是把一已知灰度概率分布的图像,经过一种变换,使之演变成一幅具有均匀概率分布的新图像。
当图像的直方图为一均匀分布时,图像的信息熵最大,此时图像包含的信息量最大,图像看起来更清晰。
灰度直方图用各灰度值出现的相对频数(该灰度级的像素数与图像总像素数之比)表示。
直方图表示数字图像中每一灰度级与其出现频数的的统计关系，用横坐标表示灰度级，纵坐标表示频数。
直方图就能给出该图像的概貌性描述，例如图像的灰度范围、每个灰度级的频数和灰度的分布、整幅图像的亮度和平均明暗对比度等，由此可得出进一步处理的重要依据。
计算每个灰度级出现的概率为：P r (r k )＝N k /N k=0，1，2,…,L-1上式中， P r (r k )表示第k 个灰度级出现的概率，N k 为第 k 个灰度级出现的频数，N 为图像像素总数,L 为图像中可能的灰度级总数。
由此可得直方图均衡化变换函数,即图像的灰度累积分布函数Sk 为:1,...,2,1,0)()(00-====∑∑==L k r P r T s kj NN k j j r k k j 上式中, S k 为归一化灰度级。
这个变换映射称做直方图均衡化或直方图线性化。
直方图均衡化过程如下:（1） 输出原图像；（2） 根据公式P r (r k )＝n k /m*n （ k=0，1，2,…,L-1）计算对应灰度级出现的概率，绘制原图像的直方图。
（3） 计算原图象的灰度级累积分布函数：sk=Σp r (r k )；（4） 取整Sk=round((S1*256)+0.5);将Sk 归一到相近的灰度级，绘制均衡化后的直方图。
