直方图均衡化(Histogram Equalization) 又称直方图平坦化,实质上是对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等。这样,原来直方图中间的峰顶部分对比度得到增强,而两侧的谷底部分对比度降低,输出图像的直方图是一个较平的分段直方图:如果输出数据分段值较小的话,会产生粗略分类的视觉效果。

    直方图是表示数字图像中每一灰度出现频率的统计关系。直方图能给出图像灰度范围、每个灰度的频度和灰度的分布、整幅图像的平均明暗和对比度等概貌性描述。灰度直方图是灰度级的函数, 反映的是图像中具有该灰度级像素的个数, 其横坐标是灰度级r, 纵坐标是该灰度级出现的频率( 即像素的个数) pr( r) , 整个坐标系描述的是图像灰度级的分布情况, 由此可以看出图像的灰度分布特性, 即若大部分像素集中在低灰度区域, 图像呈现暗的特性; 若像素集中在高灰度区域, 图像呈现亮的特性。

    图1所示就是直方图均衡化, 即将随机分布的图像直方图修改成均匀分布的直方图。基本思想是对原始图像的像素灰度做某种映射变换, 使变换后图像灰

度的概率密度呈均匀分布。这就意味着图像灰度的动态范围得到了增加, 提高了图像的对比度。

图1 直方图均衡化

通过这种技术可以清晰地在直方图上看到图像亮度的分布情况, 并可按照需要对图像亮度调整。另外,这种方法是可逆的, 如果已知均衡化函数, 就可以恢复原始直方图。

设变量r 代表图像中像素灰度级。对灰度级进行归一化处理, 则0≤r≤1, 其中r= 0表示黑, r= 1表示白。对于一幅给定的图像来说, 每个像素值在[ 0,1] 的灰度级是随机的。用概率密度函数来表示图像灰度级的分布。

为了有利于数字图像处理, 引入离散形式。在离散形式下, 用 代表离散灰度级, 用 代表 , 并且下式成立:

其中, 0≤≤1, k=0, 1, 2, …, n-1。式中 为图像中出现这种灰度的像素数, n是图像中的像素总数, 而就是概率论中的频数。图像进行直方图均衡化的函数表达式为:

式中, k为灰度级数。相应的反变换为:

四、算法实现及结果分析

4.1核心算法

4.2结果展示

对于第一幅图像，首先我们在RGB空间对其进行直方图均衡化得如下结果：

可见右上角由较大的光影，我们对其进行同台滤波，如下图所示，但是效果也不太好。

如下图所示为直方图均衡前后图像RGB分量的直方图，可以看到收到了较好的效果，由于直方图均衡第二个作业已经做过，我们在此不再赘述。

对于HSI空间的直方图均衡化，首先我们要进行RGB和HIS空间颜色分量的转化，代码如下：