直方图均衡化目的（直方图的作用）

本文目录

• 直方图的作用
• 为什么要对图象进行增强处理
• matlab 当图像的像素值都很小时,为了显示变化明显应用什么类型输出
• 在图像处理中，用直方图均衡化方法处理图像后，灰度级会减并，可为什么灰度级的动态范围会增加，不是会减
• 数字图像处理:直方图均衡化
• 直方图均衡化的概述
• 图像直方图与直方图均衡化

直方图的作用

直方图的常见作用有以下三点：

1、显示质量波动的状态；

2、较直观地传递有关过程质量状况的信息；

3、通过研究质量波动状况之后，就能掌握过程的状况，从而确定在什么地方集中力量进行质量改进工作。

直方图是数值数据分布的精确图形表示。 这是一个连续变量（定量变量）的概率分布的估计，并且被卡尔·皮尔逊首先引入。它是一种条形图。 

为了构建直方图，第一步是将值的范围分段，即将整个值的范围分成一系列间隔，然后计算每个间隔中有多少值。 这些值通常被指定为连续的，不重叠的变量间隔。 间隔必须相邻，并且通常是（但不是必须的）相等的大小。

作直方图是的目的是为了研究产品质量的分布状况，据此判断生产过程是否处在正常状态。直方图为QC七大工具之一。因此在画出直方图后要进一步对它进行观察和分析。

在正常生产条件下，如果所得到的直方图不是标准形状，或者虽是标准形状，但其分布范围不合理，就要分析其原因，采取相应措施。

扩展资料：

直方图均衡化，是通过使用累积函数对灰度值进行“调整”以实现对比度的增强。

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个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。

简单说就是把给定图像的直方图分布改变成“均匀”分布直方图分布。其缺点：变换后图像的灰度级减少，某些细节消失；某些图像，如直方图有高峰，经处理后对比度不自然的过分增强。

为什么要对图象进行增强处理

图像增强是数字图像处理中的重要而基本的内容。增强的首要目标是处理图象，使其比原始图象更适合特定应用。通过直方图均衡化技术来实现图像增强，首先就是对原图像通过离散函数进行直方图处理。得到原图像的直方图后，根据均衡化的变换函数通过计算得到所需要的增强效果的图像的直方图。阐述和分析了图像增强的点处理、空间域滤波、频域滤波、代数运算。用直方图均衡化的算法增强灰度图像，并在VC 6.0中实现，达到了图象增强的目的,取得了较好的效果。
数字图像的增强是图像处理中的一个重要研究内容之一，是图像处理的一项基本技术。图像增强是指按特定的需要突出一幅图像的某些信息，同时，削弱或除去某些不需要的信息的处理方法。通过对本课题的毕业设计，能从以上几个方面来认识数字图像的有关知识，深刻理解数字图像的增强方法，特别是直方图均衡化方法的理论知识及其相关应用。同时，能使本人掌握进行科学研究的基本方法和步骤，进一步熟悉VC6.0等软件开发工具的使用。熟练掌握软件开发的基本步骤和过程以及论文撰写的格式，加强了理论知识的应用，很好地锻炼了自己的理论联系实际的能力。
数字图像增强只是数字图像处理的一个小部分。我们要做好数字图像增强就先要了解数字图像处理的内容。下面我们来介绍一下数字图像处理。
数字图像处理是一门多学科的综合学科，它会聚了光学、电子学、数学、摄影技术和计算机技术等众多学科方面。它通过对原始图像的加工，使之能具备更好的视觉效果或能满足某些应用的特定要求。数字图像处理和光电检测技术、计算机科学、多媒体技术及专家系统等技术密切相关，经过半个多世纪的发展，目前已广泛地应用于工业、医疗保健、航空航天、军事等各个领域。它是一门偏重于应用的工程学科。作为计算机应用系列课程的一门实用性较强的课程，利用计算机进行数字图像处理已成为计算机应用的重要分支之一。本课程操作性和实用性较强，能充分发挥你的兴趣及悟性。

matlab 当图像的像素值都很小时,为了显示变化明显应用什么类型输出

1.直方图均衡化
% input image g
g=histeq(g,);
figure;
imshow(g);
% 直方图均衡化的目的主要是将像素点之间灰度差别最大化，也就是为了显示变化的明显.
其实也可以使用直方图伸展：
先看一下图像是否有个别的灰度较高的点
可以通过imhist看255灰度级别附近是否有点
若没有
用直方图伸展：
% Histogram Stretching
% 假设灰度图为g
maxg=max(g(:));
ming=min(g(:));
g1=(g-ming)*255./(maxg-ming);
figure;
imshow(g1);
%直方图伸展主要目的是在保持原有直方图结构的情况下，尽量将像素值分布在0-255区间内。
补充：直方图均衡化是各种情况都可以适用。你可以两种方法各试一下看看效果如何。

在图像处理中，用直方图均衡化方法处理图像后，灰度级会减并，可为什么灰度级的动态范围会增加，不是会减

对于你说的我不是很明白，你是不是想问直方图的范围均衡化之后为什么变大了吗？？如果是这样子的话，横坐标是你设的灰度级，一般都是0-255，均衡化的目的就是使待处理的图片的灰度范围变大，对比对增强。从你给的图片中可以看出，原先的灰度几乎都集中在0-75，这样子整个图片比较暗，处理之后，范围扩到0-255，亮度和对比对都增强，达到了均衡化的目的。

数字图像处理:直方图均衡化

首先在直方图的修整,有两种方法,一种是直方图均衡化,另外一种是直方图规定化,用起来的话第一种方法用的比较多,这里着重说一下第一种:直方图均衡化.

我们引入直方图,很大程度上是可以根据直方图的形态来去判断图像的质量,比如根据下图所示,会很快发现一张图片是过亮还是过暗,这篇文章会说一下直方图均衡化的原理,至于实现,以后有机会再说吧.

1.直方图均衡化

直方图均衡化是将原图像通过某种变换，得到一幅灰度直方图为均匀分布的新图像的方法。

直方图均衡化方法的基本思想是对在图像中像素个数多的灰度级进行展宽，而对像素个数少的灰度级进行缩减。从而达到清晰图像的目的。

一些理论的东西我们不谈,直接用一个例子来说一下,会更容易理解:

假设有一幅图像，共有64×64个像素，8个灰度级，各灰度级概率分布见下表 ，试将其直方图均匀化。

解题步骤:

1:确定图像的灰度级

在实际情况下,如果我们的图像是彩色,需要将其转换为灰度图像,其中的灰度级一般是0-255,这个题的灰度级只有8级,需要注意下

2:计算原始直方图的概率

统计每一个灰度在原始图像上的像素所占总体的比例,记为Pi

3:计算直方图概率的累加值S(i)

直到最后一个灰度级,总和为1

4: 根据公式求取像素映射关系.

这里的pix是指的灰度级,也就是(最大灰度级-最小灰度级)*累加概率+0.5后取整数

5: 灰度映射

找到了原图像和均衡化图像灰度的对应关系，对原图进行操作，将每个像素映射成新的像素

此时图像均衡化已经完成，当然你也可以再次统计灰度概率，观察一下结果。

直方图均衡化的概述

图像对比度增强的方法可以分成两类:一类是直接对比度增强方法;另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。直方图拉伸是通过对比度拉伸对直方图进行调整，从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强。
直方图均衡化的英文名称是Histogram Equalization.
直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。

图像直方图与直方图均衡化

图像的直方图用来表征该图像像素值的分布情况。用一定数目的小区间(bin)来指定表征像素值的范围,每个小区间会得到落入该小区间表示范围的像素数目。

图像直方图图形化显示不同的像素值在不同的强度值上的出现频率，对于灰度图像来说强度范围为之间，对于RGB的彩色图像可以独立显示三种颜色的图像直方图。

drawHist()用于展示图像的直方图，并把它转换成bitmap。

如果对CalcHistogram感兴趣，可以查看 cv4j 的具体实现。

直方图均衡化（histogram equalization）是一种借助直方图变换实现灰度映射从而达到图像增强目的的方法。
直方图均衡化通常是对图像灰度值进行归一化的一个非常好的方法，并且可以增强图像的对比度。

基本思想：把原始图的直方图变换成为均匀分布的形式，这样，就增加了像素灰度值的动态范围，从而达到增强图像整体对比度的效果。

同样，如果对EqualHist感兴趣，可以查看 cv4j 的具体实现。

图像是由像素构成的，然而直方图能够反映像素的分布情况，可以作为是图像一个很重要的特征。在实际开发中，图像直方图在特征提取、图像匹配等方面都有很好的应用。除此之外，直方图还能做图像的相似度匹配。

直方图均衡化则用于增强图片，利于人的视觉效果或便于机器识别。

CalcHistogram 和 EqualHist 是 cv4j 中直方图相关操作的类。

cv4j 是 gloomyfish 和我一起开发的图像处理库，纯java实现，目前还处于早期的版本。
上周末我们开始做直方图的相关操作，预计下周能做完这个模块。

另外，在Google I/O之后，我们第一时间便更新了cv4j中的rxcv4j模块。该模块顾名思义是对cv4j使用RxJava进行封装，我们将该模块用 Kotlin 重写，也算是赶了一回时髦：）。

该系列先前的文章：
模拟油画和铅笔画的滤镜效果
二值图像分析之轮廓分析
基于边缘保留滤波实现人脸磨皮的算法
二值图像分析:案例实战(文本分离+硬币计数)
Java实现高斯模糊和图像的空间卷积
Java实现图片滤镜的高级玩法
Java实现图片的滤镜效果