当前位置：文档之家 › 图像灰度直方图处理

图像灰度直方图处理

  • 格式：doc
  • 大小：2.57 MB
  • 文档页数：6

第15周上机实验报告

学号：912104520120 姓名：鲍春霖

1、 内容

（1）图像线性对比度增强，测试图Fig69.bmp

（2）图像非线性调整（对数，指数），侧视图Fig69.bmp

（3）图像直方图均衡化，测试图Fig61.bmp

2、 原理

1. 图像线性对比度增强程原理

把分界数值定在100，所有0-100的灰度值的点灰度值升为原来的两倍，对于灰度值100-255的点灰度值线性分布于200-255之间，用直角坐标系来表示就是：

2. 图像非线性调整（对数，指数）原理：

将图片进行指数变换的算子是：B(i,j)=C*log(A(i,j)+1)，通过这个算子可以对图像进行指数上的变换。其中C是一个常数系数。

指数非线性调整算子：1.1^(C*(A1(i,j)-a))-1，方法同对数非线性调整正好是逆运算关系。其中C也是一个常数。

3. 图像直方图均衡化

通过计算每一个灰度值的像素点个数，进而算出每一个灰度值像素点的分布概率，然后进行直方图均衡的计算。

3、 方法及程序

1. 图像线性对比度增强程序

clear all;

A=imread('D:\Fig69.bmp');

[row,col]=size(A);

A1=double(A);

fmax=max(max(A1));

fmin=min(min(A1));

for i=1:row

for j=1:col

if (A1(i,j)<=100)

B(i,j)=A1(i,j)*2;

else if(A1(i,j)>100&&A1(i,j)<=255)

B(i,j)=(255-200)/(255-100)*(A1(i,j)-100)+200;

end

end

end

end

B=uint8(B);

figure(1);

subplot(1,2,1),imshow(A),title('Ô-ͼ');

subplot(1,2,2),imshow(B),title('ÏßÐԶԱȶÈÔöǿͼ');

figure(2);

subplot(1,2,1),imhist(A),title('Ô-ͼ');

subplot(1,2,2),imhist(B),title('ÏßÐԶԱȶÈÔöǿͼ');

2. 图像非线性调整（对数，指数）

A=imread('D:\Fig69.bmp')

A1=double(A);

C=30;

[row,col]=size(A1);

for i=1:row

for j=1:col

B(i,j)=C*log(A1(i,j)+1);

end

end

subplot(2,2,1),imshow(A),title('Ô-ͼ');

subplot(2,2,2),imshow(B),title('·ÇÏßÐԱ任ºóͼÏñ');

subplot(2,2,3),imhist(A);

subplot(2,2,4),imhist(B);

A=imread('D:\Fig69.bmp')

C=0.8;

a=1;

A1=double(A);

[row,col]=size(A1);

for i=1:row

for j=1:col

B(i,j)=1.1^(C*(A1(i,j)-a))-1;

end

end

subplot(2,2,1),imshow(A),title('Ô-ͼ');

subplot(2,2,2),imshow(B),title('Ö¸Êý±ä»»ºóͼÏñ');

subplot(2,2,3),imhist(A);

subplot(2,2,4),imhist(B);

3. 图像直方图均衡化

%Ö±·½Í¼¾ùºâ»¯

clear all;

I = imread('Fig61.bmp');

[row,col] = size(I);

figure(1)

subplot(2,2,1)

imshow(I)%ÏÔʾÔ-ʼͼÏñ

subplot(2,2,2)

imhist(I)%ÏÔʾÔ-ʼͼÏñÖ±·½Í¼

%½øÐÐÏñËػҶÈͳ¼Æ;

s = zeros(1,256);%ͳ¼Æ¸÷»Ò¶ÈÊýÄ¿£¬¹²256¸ö»Ò¶È¼¶

for i = 1:row

for j = 1:col

s(I(i,j) + 1) = s(I(i,j) + 1) + 1;%¶ÔÓ¦»Ò¶ÈÖµÏñËصãÊýÁ¿Ôö¼ÓÒ»

end

end

%¼ÆËã»Ò¶È·Ö²¼ÃܶÈ

p = zeros(1,256);

for i = 1:256

p(i) = s(i) / (row * col );

end

%¼ÆËãÀÛ¼ÆÖ±·½Í¼·Ö²¼

c = zeros(1,256);

c(1) = p(1);

for i = 2:256

c(i) = c(i - 1) + p(i);

end

%ÀۼƷֲ¼È¡Õû,½«ÆäÊýÖµ¹éÒ»»¯Îª1~256

c = uint8(255 .* c + 0.5);

%¶ÔͼÏñ½øÐоùºâ»¯

for i = 1:row

for j = 1: col

I(i,j) = c(I(i,j)+1);

end

end

subplot(2,2,3)

imshow(I)%ÏÔʾ¾ùºâ»¯ºóµÄͼÏñ

subplot(2,2,4)

imhist(I)%ÏÔÏÔʾ¾ùºâ»¯ºóµÄͼÏñµÄÖ±·½Í¼

4、 结果（截图说明）

第一道：图像线性调整对比度

第二道：图像非线性调整对比度

第三道：图像直方图均衡化

5、 存在问题及分析

程序使用还不是很熟练，很多的函数和代码都没有理解透彻，而且关于算子的程序转换还需要多加练习。

合集下载

[数字图像处理]（四）直方图均衡化[HE]算法

[数字图像处理]（四）直方图均衡化[HE]算法

[数字图像处理]（四）直⽅图均衡化[HE]算法

图像处理（四）

直⽅图均衡化

0____前⾔

直⽅图操作是图像处理中的⼀个基本⼯具。从观察⼀些图像的直⽅图中我们可以发现，在暗图像中 ，⼤多数直⽅图灰度容集在灰度低端；类似的在亮图像的直⽅图中，⼤多数直⽅图

灰度容集在灰度级的⾼端。直⽅图均衡化就是通过计算每⼀灰度级数出现的概率，并将得到的概率前缀和映射到原图像中的过程，此处介绍的是最基本的基于全图像的均衡化的

HE（直⽅图均衡化）算法，之后会继续介绍AHE（⾃适应直⽅图均衡化）与CLAHE（限制对⽐度直⽅图均衡）。

1____算法流程

读⼊图像预处理

统计每个灰度级数在图像中出现的次数

计算每个灰度级数于总像素的概率，并统计数组的前缀和

将得到的前缀和映射到原图像数组中2____MATLAB实现

clc;

close all;

clear all;

% 读⼊，预处理

im = imread('p21.png');

imgray = rgb2gray(im);

figure;

subplot(2,2,1);

imshow(imgray);

% 统计每个灰度级数

hist = zeros(1,256);

[n,m] = size(imgray);

% 后⾯要+1因为图像的范围是在0~255,但是matlab的数组是从1开始映射的

for i = 1:1:n

for j = 1:1:m

hist( imgray(i,j)+1 ) = hist( imgray(i,j) +1) + 1;

end

end

subplot(2,2,2);

bar(hist);

% 求分布概率前缀和

pro = zeros(1,256);

sumim = sum(hist)

pro(1) = hist(1)/sumim;

for i = 2:1:256

pro(i) = pro(i-1)+hist(i)/sumim;

end

% 灰度映射

transim = zeros(n,m);

for i = 1:1:n

otsu算法 阈值分割

otsu算法 阈值分割

otsu算法 阈值分割

OTSU算法是一种阈值分割算法，在图像处理中起着重要的作用。本文将详细介绍OTSU算法的原理、步骤和应用。

一、OTSU算法原理

OTSU算法基于图像的灰度直方图，通过寻找图像直方图的双峰特征，选择一个合适的阈值对图像进行分割。其原理可以概括为：将图像分为背景和前景两部分，使得背景和前景两类的类内方差之和最小化。

二、OTSU算法步骤

1. 计算灰度直方图：首先，需要计算图像的灰度直方图，统计每一灰度级的像素点个数。

2. 计算总体平均灰度值：使用公式计算图像的总体平均灰度值，通过对每个灰度级的像素点数乘以其对应的灰度值，并将结果相加，最后再除以图像像素总数。

3. 遍历所有可能的阈值：从0到灰度级的最大值，遍历所有可能的阈值，计算对应的类内方差。

4. 计算类内方差：对每个阈值，将图像分为两部分，计算背景和前景的类内方差。类内方差定义为背景和前景两部分像素点的平均方差之和。

5. 找到最小类内方差对应的阈值：经过上一步骤的遍历，找到使类内方差最小的阈值，即为OTSU算法计算得到的最佳阈值。

三、OTSU算法应用

1. 图像二值化：OTSU算法常被用于图像二值化处理，将图像转为黑白二值图像。通过OTSU算法计算得到的最佳阈值，将图像中的像素点根据阈值分为背景和前景两部分。

2. 图像分割：OTSU算法也可以用于图像分割。通过将图像根据OTSU算法计算得到的阈值进行分割，可以将图像中感兴趣的物体从背景中分离出来，便于后续处理和分析。

3. 文字识别：OTSU算法在文字识别中具有广泛应用。通过OTSU算法得到的最佳阈值，可以对图像中的文字区域进行有效分割，提高文字识别的准确性和鲁棒性。

4. 医学图像处理：OTSU算法在医学图像处理中的应用也比较广泛。通过OTSU算法可以对医学图像进行分割，提取出感兴趣的区域，辅助医生做出准确的诊断。

四、总结

OTSU算法是一种基于图像灰度直方图的阈值分割算法，通过寻找使类内方差最小的阈值，将图像分割成背景和前景。OTSU算法应用广泛，常用于图像二值化、图像分割、文字识别和医学图像处理等领域。通过OTSU算法可以提高图像处理的效果，提取出感兴趣的区域，为后续的处理和分析提供基础。

数字图像处理 (抖动加网 伽马校正 直方图均匀化)

数字图像处理 (抖动加网 伽马校正 直方图均匀化)

数字图像处理课程

王军 2009301760060

2011-11-23

2009301760060 王军

2

数字图像处理 一、实验名称：

数字图像处理编程实验之灰度图像层次变换和抖动加网处理。

二、实验设备及环境：

计算机，Visual C++编程环境。

三、实验要求：

1．用户界面设计：

用户界面可以自由设计，但应包括如下物件：窗体、菜单或命令按钮、图像显示框。

2.程序功能：

利用Visual C++编程环境编制图像处理程序，对一幅灰度图像进行灰度层次变换处理和抖动加网处理。包括：打开图像、曲线值输入、图像灰度层次转换处理、图像存储、退出。实现图像抖动加网效果、图像存储、退出。

四、实验主要内容设计：

1.图像处理程序编制的总体方案：

首先，应该明白此次实习的主要目的——利用Visual C++编程环境编制图像处理程序，对一幅灰度图像进行灰度直方图统计与均衡化处理，实现对输入图像进行灰度层次变换，以及对输入图像进行抖动加网处理。

所以，应该首先设计一个可以打开BMP图片的程序，再在此程序中实现对图像的灰度直方图统计与均衡化处理，和灰度层次变换以及抖动加网处理。由于实验前已经得到可以打开BMP图片文件，所

2009301760060 王军

3

数字图像处理 以，接下来主要在原程序的基础上进行修改，使它具有灰度层次变换以及抖动加网的功能。

2.程序用户界面的设计思路：

菜单：因为本程序主要对图像进行灰度层次变换以及抖动加网处理，其功能都是对图像进行数字处理，所以可以将它们的菜单合并在一个菜单目录下，并设置该菜单显示方式为“弹出”方式。如图：

将“图像校正”和“抖动加网”都置于“图像处理”菜单下。这样更有利于用户对程序的学习和操作。

灰度直方图(优质借鉴)

灰度直方图(优质借鉴)

优选类z# 1 灰度直方图

灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。如果将图像总像素亮度（灰度级别）看成是一个随机变量，则其分布情况就反映了图像的统计特性，这可用probability density function（PDF）来刻画和描述，表现为灰度直方图。

灰度直方图 - 性质

直方图英文名称是(HISTOGRAM)，相机上显示的直方图和PHOTOSHOP使用的直方图都是灰度直方图，从图形上说，它是一个二维图,，用坐标表示。横坐标表示图象中各个像素点的灰度级。(0到255个级别,一般人眼能够分辨的只有32个级别，人眼对光的强度变化非常敏感，而对颜色的变化就比较弱，目前，流行的视频压缩软件都是应用这一原理，比如RM)它是多种空间域处理技术的基础。直方图操作能够有效用于图像增强；提供有用的图像统计资料，其在软件中易于计算，适用于商用硬件设备。纵坐标为各个灰度级上图象各个像素点出现的次数或概率.各个软件细分程度不同。1.表征了图像的一维信息。只反映图像中像素不同灰度值出现的次数（或频数）而未反映像素所在位置。2.与图像之间的关系是多对一的映射关系。一幅图像唯一确定出与之对应的直方图，但不同图像可能有相同的直方图。3.子图直方图之和为整图的直方图。

灰度直方图 - 处理

以通过直方图的状态来评断图像的一些性质：明亮图像的直方图倾向于灰度级高的一侧；低对比度图像的直方图窄而集中于灰度级的中部，高对比度图像的直方图成分覆盖的灰度级很宽而且像素的分布没有不太均匀，只有少量的垂线比其他高许多。

直观上来说：若一幅图像其像素占有全部可能的灰度级并且分布均匀，则这样的图像有高对比度和多变的灰度色调。

从概率的观点来理解，灰度出现的频率可看作其出现的概率，这样直方图就对应于概率密度函数，而概率分布函数就是直方图的累积和，即概率密度函数的积分。

灰度直方图 - 均衡化