最基本的圖像分析工具 灰度直方圖。使用直方圖輔助,可以實現4大灰度變換,包括線性灰度變換(灰度拉伸)、灰度對數變換、灰度伽馬變換、灰度分段線性變換;使用直方圖修正技術,可以實現2大變換,包括直方圖均衡化和直方圖規定化。 一、灰度直方圖 灰度直方圖分為一般灰度直方圖和歸一化灰度直方圖,灰度直方圖統計圖 ...
最基本的圖像分析工具----灰度直方圖。使用直方圖輔助,可以實現4大灰度變換,包括線性灰度變換(灰度拉伸)、灰度對數變換、灰度伽馬變換、灰度分段線性變換;使用直方圖修正技術,可以實現2大變換,包括直方圖均衡化和直方圖規定化。
一、灰度直方圖
灰度直方圖分為一般灰度直方圖和歸一化灰度直方圖,灰度直方圖統計圖像中各個灰度級出現的次數,而歸一化的灰度直方圖統計的是各個灰度級出現的頻率。因此,灰度直方圖通常在定量上,有總體像素個數以及各個灰度像素個數;在定性上,可以看出整體灰度動態範圍,即對比度與亮度。
使用C#繪製一般灰度直方圖的底層代碼中,演算法流程的核心是計算各個灰度級的像素個數;而繪製歸一化灰度直方圖,演算法流程的核心是計算灰度即的累積分佈函數。代碼如下,然而代碼在Halcon庫中,可隨意查看。
byte* Init_byte = (byte*)bmpdata.Scan0; //必須先對行遍歷,再對列遍歷 for (int i = 0; i < bmpdata.Height; i++) { for (int j = 0; j < bmpdata.Width; j++) { //計算出不同灰度級的像素個數 temp = *Init_byte; CountPix[temp]++; //換列 Init_byte++; } //換行 Init_byte += bmpdata.Stride - bmpdata.Width; } for (int k = 0; k < 256; k++) { //計算出不同灰度級的累積像素個數 if (k!=0) { CumulatePix[k] = CumulatePix[k - 1] + CountPix[k]; } else { CumulatePix[0] = CountPix[0]; } }
二、灰度的線性與非線性變換
灰度變換的目的在於增強圖像的灰度對比度,達到理想預處理的目的。線性灰度變換,使用C#編碼核心在於遍歷圖像的所有像素,對每個像素點添加一個乘性繫數以及一個加性繫數,調節兩個參數以達到預想的效果(註意:對越界數值進行處理(0-255));非線性灰度變換,有對數變換與指數變換、伽馬變換以及分段變換,編碼實現同理,但區別在於實現了圖像灰度的擴展和壓縮功能,它會擴展低灰度值而壓縮高灰度值,或者相反,讓圖像的灰度分佈更加符合人的視覺特征或灰度對比度更強。在Halcon中,對應運算元分別是scale_image、scale_image_max、log_image、exp_image、pow_image,分段變換則比較麻煩了,一般使用overpaint_region對圖像中的region進行變換。因此,分段變換適合在底層實現。
unsafe { byte* Init_byte = (byte*)mbpdata.Scan0; for (int i = 0; i < mbpdata.Width; i++) { for (int j = 0; j < mbpdata.Height; j++) { value = k * (*Init_byte) + b; //處理越界值 if (value>255) { *Init_byte = 255; } else if (value<0) { *Init_byte = 0; } else { *Init_byte = (byte)value; } Init_byte++; } Init_byte += mbpdata.Stride - mbpdata.Width; } }
三、直方圖均衡與直方圖規定化
直方圖均衡是以累積分佈函數變換為基礎的直方圖修正法,可以產生灰度級為概率均勻分佈的圖像。主要用於增強動態範圍偏小的圖像,以提升灰度對比度。使用C#編碼的核心演算法流程,1.將灰度值進行歸一化;2.將圖像灰度設置概率均勻分佈,即p=1。圖像歸一化就是將圖像轉換成唯一的標準形式以抵抗各種變換,併在此基礎上進行灰度均勻分佈。
因此,當原始圖像的直方圖不同而圖像結構性內容相同時,直方圖均衡化所得到的視覺上幾乎是完全一致的。而後,學者相繼提出自適應的直方圖均衡化演算法(AHE)以及對比度有限的自適應直方圖均衡化(CLAHE)。而去霧演算法的本質是對圖像對比度和亮度的調節,因此,CLAHE廣泛應用在去霧演算法中。
在Halcon中,直方圖均衡化只是一句代碼的事,equ_histo_image。
byte* Init_byte = (byte*)bmpdata.Scan0; //必須先對行遍歷,再對列遍歷 for (int i = 0; i < bmpdata.Height; i++) { for (int j = 0; j < bmpdata.Width; j++) { //計算出不同灰度級的像素個數 temp = *Init_byte; CountPix[temp]++; Init_byte++; } Init_byte += bmpdata.Stride - bmpdata.Width; } for (int k = 0; k < 256; k++) { //計算出不同灰度級的累積像素個數 if (k!=0) { CumulatePix[k] = CumulatePix[k - 1] + CountPix[k]; } else { CumulatePix[0] = CountPix[0]; } //根據灰度值進行一對一映射,其中註意運演算法順序和括弧,防止只出現整數0. PixMap[k] = (byte)(255 *CumulatePix[k] / bytes+0.5); } byte* Init_byte2 = (byte*)bmpdata.Scan0; for (int i = 0; i < bmpdata.Height; i++) { for (int j = 0; j < bmpdata.Width; j++) { //直方圖均衡化,獲取灰度級,對應映射 temp = *Init_byte2; *Init_byte2=PixMap[temp]; Init_byte2++; } Init_byte += bmpdata.Stride - bmpdata.Width; }
直方圖均衡化不僅操作簡單且有效地豐富灰度級,但這個過程是不受控制的,因此引出了直方圖規定化,或稱直方圖匹配。直方圖規定化本質上是一種擬合過程,因此使規定化圖像在對比度以及亮度上具有類似標準圖像的特性,這也正是直方圖規定化的目的所在。直方圖規定化的演算法流程是建立在直方圖均衡化之上的,統計累積分佈概率的最小差值的位置,進行一一對應的映射。