直方图图像增强技术

直方图图像增强技术（精选六篇）

直方图图像增强技术 篇1

图像的灰度直方图表示灰度图像中具有每种灰度的像素的个数,反映了图像中每种灰度级出现的频率,是图像的基本统计特征之一。如果一幅图像的灰度分布在某个较小的区域中,那么该图像的动态范围就比较小,对图像的细节就不容易察觉。为了对图像的细节进行处理,可以使用直方图均衡化的方法对图像进行预处理,通过增强图像的动态范围来增强图像的细节表现能力[1]。

基于直方图均衡化的基本原理,针对不同的处理图片和效果要求提出了各种改进的算法。文献[2-3]采用了双直方图均衡方法用于夜景图像的增强,输出图像亮度大约等于直方图均衡后的图像亮度与原始图像亮度的平均值,在一定程度上保持了原始图像的亮度。针对直方图均衡化过程中灰度值的合并,Pizer提出了一种自适应直方图均衡算法(AHE)[4],算法对每一个像素都采用相同大小的窗口进行局部的直方图均衡化,以实现对窗口中心像素的处理。文献[5]在对图像进行AHE处理前,先将原始图像进行局部对比度增强,得到原图像的细节,并将其保存下来,然后再将这些图像细节叠加到经过AHE处理的图像上。虽然局部自适应HE方法的效果明显,但算法要对图像的每一个像素做子窗口的局部HE,计算量非常大。本文主要对于直方图均衡化算法进行讨论,通过分析其优缺点,针对灰度呈现两端分布且低灰度区域有较多像素点分布的图像提出了基于k均值聚类算法进行分段直方图均衡化的图像增强算法。

2 直方图均衡化算法的原理

直方图均衡化是一种重要的空间域图像处理方法,它以概率论为基础,运用灰度运算来实现图像中像素点的灰度值变化,使得变换后图像的直方图相对原始图像的直方图比较均匀、平坦,灰度层次清晰。

定义数字图像X中各灰度值的概率是:

其中,nk是灰度值为k的像素数目;n为图像总的像素数。

设均衡后的输出为Y,则有

其中f为G(y)=256C[G(x)];G(x)是求像素灰度值的运算。

根据灰度变换表,将原图像各灰度级映射为新的灰度级。有以上的过程可知直方图均衡化有以下两个特点:

(1)根据各灰度级别出现频率的大小,对各个灰度级别进行相应程度的增强,即使各个级别之间的间距增大,同时对出现频率过小的灰度级别可能被合并。

(2)传统直方图均衡化算法为了得到更好图像的视觉效果,有选择地增强图像中占有较多像素的灰度值而抑制掉占有较少像素的灰度值,使处理后的图像灰度呈近似均匀分布,因此其平均亮度总是在灰度范围的中值附近,导致增强效果不自然。

3 K均值聚类

K均值聚类是模式识别中的经典算法,其算法简单、能够动态聚类和适应性强等特点,具有广泛的应用。该算法的基本思想是取定K类,并选取K个初始聚类的中心,按照最小距离原则将各值分配到K类中的某一类,然后重新计算聚类的中心,同时调整各值的类别,最终使各值到其所属聚类中心的距离的平方和最小[6]。本文利用该算法对直方图进行处理,获取各目标区域的阈值,然后再进行分段的直方图均衡化,以获得更好的图像增强效果。其算法流程如下:

(1)选择k个点作为初始聚类的中心,设初始值为U1,U2,…,Uk。

(2)在第i次迭代时,考察每个灰度值r,计算出它到每个聚类中心的距离d,将每个灰度值赋给距离最小的类,即如果d=min{|rUij|,j=1,2,…,k},则灰度值r∈Qij。

(3)对于j=1,2,3,…,k,计算新的聚类中心Uij:

其中p(r)为灰度值为r的像素点数目。

(4)将所有像素逐个考察一遍,如果对所有的j=1,2,3,…,k,有Uij=U(i+1)j或达到一定的迭代次数,则算法收敛,结束迭代;否则执行步骤(2)继续下一次迭代。

4 基于分段直方图均衡化算法

直方图均衡化技术在图像增强中有广泛的应用,其算法简单、实现效率高,但直方图均衡化方法在对灰度呈现两端分布,同时在图像的低灰度区域有较多像素点分布的图像进行处理时得不到满意的效果。一种可行的方法是采用直方图匹配算法,通过用户设定好变换后的灰度直方图分布情况,然后计算其转换函数,使转换后的图片直方图分布符合用户设定的情况[1]。但直方图匹配的图像效果同用户设定的直方图密切相关,且不容易实现自动化,同时直方图匹配需要两次的直方图均衡化操作,计算量较大。

针对灰度呈现两端分布且低灰度区域有较多像素点分布的图像提出了基于k均值聚类算法进行分段直方图均衡化的图像增强算法。该算法的基本思想是为了避免过多的合并频率小的灰度值和保持图像的亮度信息,利用K均值聚类算法对图像的直方图进行分割,将直方图分成独立的K+1个区域,然后对各个灰度区域分别进行直方图的均衡化。其算法的执行过程如下:

(1)设定分类的数目和聚类中心的初始值。类数根据图像的物体个数设定,而聚类中心的初始值为这些物体对应的直方图最高点的灰度值。默认值类数为4,聚类中心点采用等距离分布的灰度值点。

(2)采用K均值聚类算法对图像直方图进行聚类分析,基于灰度信息将灰度值分成K+1个区域。

(3)对各个区域分别进行直方图均衡化操作。

5 实验效果及结论分析

采用分段直方图均衡化的图像增强算法对医学CT图像进行处理,同时也采用传统的直方图均衡化算法进行处理,其效果图如下:

图1(a)为人体胸腔的CT图片,有图1(b)其直方图可以看出其灰度值分布比较均匀其低灰度值像素点较多,但是其图像对比度不大,各器官的分界线也不清晰,肝脏血管也不明显。对图1(a)采用传统的直方图均衡化算法进行处理,其效果为图1(c)及对应的直方图图1(d),图像的对比度有一定提高,但由于低灰度值点较多,使得均衡化后的图像灰度集中到后半部分,因此也合并了太多的灰度值,在提高对比度的同时导致过多的细节丢失。图2为采用改进后的算法进行增强后得到的效果图,图2(a)选择聚类值2进行处理得到的效果图,图2(b)为对应的直方图,其对比度有一定提高,但是感觉总体偏暗和不自然,图2(c)为选择聚类值为4时得到的效果图,图2(d)为对应的直方图,图像的对比度有了提高,同时也保持了图像的亮度特征和图像细节。

医学图像的清晰度不高增加了诊断的困难,需要根据具体图像的特点进行相应的增强。本文提出的分段直方图均衡化的图像增强算法在提高图像对比度的同时较好地保持了图像的亮度和图像细节,提高了图像的显示效果,从而获得更加真实和自然的增强效果。

参考文献

[1]GONZAL EZ R C,WOODS R E.数字图像处理[M](第2版).北京:电子工业出版社,2002.

[2]Kim Y T.Cont rast enhancement using bright ness preserving bi2histogram equalization[J].IEEE Transactions on Consumer Elect ron-ics,1997,43(1):1-8.

[3]高赟,高有行.基于阈值动态分配空闲灰度级的红外图像增强[J].计算机工程与设计.2007,28(16):3935-3939.

[4]Pizer S.Adaptive histogram equalization and its variations[J].CV GIP(Computer Vision,Graphics,and Image Processing),1987,39(3):355-368.

[5]尚晋,杨有,李晓虹.一种改进的自适应直方图均衡化增强档案图像的方法[J].计算机科学,2007,34(5):237-239.

浅谈遥感图像辐射校正与增强技术 篇2

浅谈遥感图像辐射校正与增强技术

大多数的遥感图像存在视觉对比度低、分辨率低的缺点,因而在对遥感图像分析之前,通常都需要对图像进行处理.遥感图像的辐射校正与增强技术研究,是做好遥感应用工作的`基础.本文较为详细地介绍了遥感图像校正的主要内容及增强技术的主要方法,并对遥感图像辐射校正与增强技术面临的问题与发展做了简要分析.

作 者：盖乐 作者单位：西南大学地理科学学院,重庆,400715刊 名：科教导刊英文刊名：THE GUIDE OF SCIENCE & EDUCATION年，卷(期)：“”(9)分类号：P23关键词：遥感图像 辐射校正 辐射增强 发展趋势

基于直方图修正的图像增强算法 篇3

图像增强是图像处理中的一种重要的技术方法,就是改善图像的视觉效果,提高图像的对比度和清晰度,突出对观测者有用的图像信息。目前常用的图像增强技术可以大致分为灰度变换法、直方图修正法、基于变换域(小波变换、频域变换等)的方法、以及基于人眼视觉的增强方法[1,2,3,4]。直方图均衡算法由于其快速、有效、便于实时处理而被广泛研究并应用于医学图像处理、遥感、视频增强等领域。

直方图均衡算法是利用变换函数将源图像的灰度分布变换为趋于均匀的灰度分布,以增大图像灰度的动态范围,增强图像的整体对比度,改善视觉效果。传统的直方图均衡算法存在着几方面的不足:(1)引入不适当的增强效果,对原图像中含有较多像素的灰度级(如平滑的背景等)过度拉伸,产生图像过度增强,增大噪声,改变了原图像的特征;(2)由于图像的边缘和细节常常属于像素数较少的灰度级,在变换时被合并,导致细节丢失;(3)没有调节增强幅度的机制,无法按需要调整增强效果,很难达到对整幅图像不同区域增强效果的一个平衡,如分别调整背景和细节部分的增强效果[5,6]。针对以上问题,本文提出一种新的直方图的修正均衡算法,实验结果表明该算法可以克服以上不足,到达较好的增强效果。

1 直方图修正算法

1.1 直方图均衡(HE)

传统的直方图就是图像中个灰度等级的概率密度分布,直方图均衡是将一幅图像灰度等级的概率密度分布经过某种变换,使之趋于均匀的概率密度分布,从而增大图像的灰度动态范围,增加对比度[7]。

若一幅输入图像总的像素数目为N,图像中含有灰度为k的像素数目为n(k),则图像灰度的概率密度函数可表示为:

其中:L为图像的灰度等级。

利用概率分布函数的直方图均衡变换,若输入图像像素的灰度为k,则输出图像中该像素的灰度表示为:

经过传统直方图均衡变换后灰度的增量为:

可见变换后灰度的增量与概率密度函数p(k)成正比。即当图像中某些区域灰度变化平缓(如背景区域)含有较多灰度为k的像素时,p(k)较大,灰度范围拉伸过大,造成该区域过度增强,引入额外的噪声;而对于图像的边缘和细节,所对应的p(k)一般较小,灰度范围可能被缩小或被合并,丢失了细节。为克服以上不足,对(1)式的概率密度函数先进行修正,再进行均衡变换。

1.2 直方图修正

为克服传统直方图均衡中存在的问题,不少学者对传统直方图进行了修正[5,6,8],但仍有不足之处和局限性,文献[5]的计算较复杂,文献[8]在修正的直方图中未计入平滑区域的像素数,因此对背景的增强不足。本文对传统直方图给出如下修正方案:1)设置一阈值以控制直方图中较大的计数值;2)添加与邻域存在一定灰度差值的条件计数;3)引入均匀分布,通过调节参数控制三部分的比例关系,改善图像的增强效果。

设nm(k)为灰度为k的广义的像素数目:

其中:b,c为参数,n1(k)为设置了阈值的灰度为k的像素数目:

其中f(i,j)为像素(i,j)的灰度值,W(l,k)为克罗内克函数,Thn为像素数目控制阈值。

n2(k)为灰度等级为k,且与邻域像素存在一定灰度差Th的像素的数目。即:

其中g(i,j)为像素(i,j)的四个对角邻域的均值图像,即由模板求得的均值图像。

记概率密度为:

修正的归一化直方图为:

其中参数a≤1,u=1/L表示均匀分布。

利用(8)式的h(i)取代(2)的p(i)即可得到修正的直方图均衡增强变换。(8)式中的第一项减小了对图像平滑区域过度的对比度增强,增加了细节的增强效果;第二项为均匀分布保证了所有灰度等级都具有一定的增强效果,保留了图像的对比度。通过调节参数a,b,c可调整图像的增强效果。

2 彩色图像增强

根据彩色图像所采用的不同颜色空间,有多种不同的增强途径[1,8,9]。RGB颜色空间是彩色数字图像常用的颜色空间,是基于人类视觉的三原色——红、绿、蓝理论建立的颜色空间,但RGB是一种很不均匀的颜色空间,三个分量的相关性很高,每种颜色与对应的R,G,B三分量之间的比例关系相关,若对各分量分别进行增强,则增强后R,G,B三分量之间的比例不一定保持不变,从而导致增强后图像的颜色失真。

YCbCr颜色空间广泛用于数字视频,彩色电视系统,其中Y为亮度分量,Cb和Cr为色差分量,YCbCr色彩空间的重要性是它的亮度分量Y和色差分量Cb、Cr是分离的,从而适合于图像处理领域。YCbCr空间与RGB空间的转换方便计算量小,本文采用YCbCr颜色空间对彩色图像进行增强,先对亮度分量Y进行直方图修正均衡变换,再将变换前后的比例系数乘到色差分量上,以保证增强前后图像色彩不失真。

3 实验结果与分析

采用本文提出的方法,利用Matlab7.0对大量灰度和彩色图像进行增强处理,并与使用传统直方图均衡方法的处理结果进行对比,结果表明本文方法能够有效的增强灰度和彩色图像的视觉效果。

3.1 灰度图像的增强

图1为坦克灰度图像增强结果和直方图,图2为缆车站灰度图像增强结果。由图1、图2可看出,用本文方法增强的灰度图像视觉效果更好,避免了过增强引起的对比度过大,图像各部分得到均衡的增强。坦克顶部和侧面的细节部分在图1(c)中得到保存,而在图1(b)中则难以分辨,图1(d)所示的修正直方图的参数为a=0.5,b=0.4,c=5,可看出修正后的直方图将低值部分提升,起到保护细节的作用;将峰值降低避免过度增强。在图2(b)中天空被过度增强,出现了不均匀的噪声,而图2(c)中天空部分得到了均匀增强,整幅图像视觉效果更自然。

3.2 彩色图像的增强

本文采用YCbCr颜色空间对彩色图像进行增强。将图像由RGB颜色空间转换为YCbCr颜色空间,先对亮度分量Y进行直方图修正均衡变换,再将变换前后的比例系数乘到色差分量Cb和Cr上,最后将增强后的图像由YCbCr空间转换到RGB空间用于显示。这样保证了增强前后图像色彩不失真,若仅对Y分量进行增强变换,而不对色差分量进行相应变换[6,8]的话,则会引起图像色彩的变化,影响视觉效果。

图3为塔楼彩色图像的增强效果和直方图,图4为海底彩色图像增强结果和变换函数,图5为客厅彩色图像增强结果。由图3、图4、图5可看出本文方法对彩色图像的增强效果明显好于传统直方图均衡方法。由本文方法增强的图像保持了原图像的色彩,没有失真。图3(b)中云彩部分和图4(b)中海水部分出现的不均匀马赛克现象和过增强现象,在图3(c)和图4(c)中都得到很好控制,而图4(c)中潜水员上方的细小气泡仍然能够表示出来,说明该算法能很好地保留原图像的细节并使之得到增强。由图4(d)可知,传统直方图均衡的变换函数在10以下为横线是因为原图像在这一区域的灰度分布趋于零,而在10~50的灰度范围变化剧烈导致灰度等级过拉伸,灰度大于约60以后又过于平缓,使整幅图像的增强效果明显不均匀,而本文方法较好地克服了这些问题。由图5可看出由本文方法得到的增强图像既提高了图像的清晰程度又很好地保持了原图像的色彩,使图像的视觉效果更自然。

4 结论

实验结果说明本文提出的直方图修正算法可以对灰度和彩色图像达到良好的增强效果,在图像对比度增强、视觉效果改善的同时未丢失图像细节、抑制了噪声,彩色图像的YCbCr与RGB颜色空间的转换计算方便,增强后的图像保持了原有的色彩,未引起颜色失真,本算法容易实现,计算速度快,较容易适用于实时图像处理系统的要求。下一步将继续探讨算法中各参数的自适应选取问题。

参考文献

[1]胡琼,汪荣贵,胡韦伟等.基于直方图分割的彩色图像增强算法[J].中国图象图形学报,2009,14(9):1776-1781.

[2]吴成茂.一种广义直方图及其在彩色图像增强中的应用[J].计算机工程与应用,2011,47(22):164-167.

[3]赵晓丽,孙宪坤.基于视觉特性的彩色图像增强算法研究[J].计算机工程与设计,2009,30(19):4458-4460.

[4]康牧,王宝树.基于人眼视觉特性的彩色图像自适应增强算法[J].光学学报,2009,29(11):3018-3024.

[5]Yoon Byoungwoo,Song Woojin.Image contrast enhancementbased on the generalized histogram[J].Journal of ElectronicImaging,2007,16(3):033005-1—033005-8.

[6]Wang Qing,Ward Rabab K.Fast image/video contrastenhancement based on weighted thresholded histogramequalization[J].IEEE Transactions on Consumer Electronics,2007,53(2):757-764.

[7]冈萨雷斯.数字图像处理(2版)[M].北京:电子工业出版社,2007:72-74.

[8]Tarik Arici,Salih Dikbas,Yucel Altunbasak.A histogrammodification framework and its application for image contrastenhancement[J].IEEE Transactions on Image Processing,2009,18(9):1921-1935.

直方图图像增强技术 篇4

但是涉及到直方图均衡化时都会遇到图像中像素个数较少的灰度级被过多合并问题[12]。结果导致处理后的图像部分细节丢失而局部变得模糊,得不到满意的增强效果。针对此不足,文中提出一种改进的算法,首先获取原图像的细节信息,然后将其与原图像直方图均衡化处理后的图像进行加权叠加,使处理后表示图像细节的灰度级增加,并且可以通过调整权重因子λ来获得所需要的不同增强程度的细节信息,从而实现了既增强图像对比度又使图像包含更多细节信息的目的。

1 直方图均衡化原理

传统的直方图均衡化方法是以图像各灰度级概率的累积分布函数作为变换函数,将原图像映射为一幅灰度级分布较均匀的图像。其中累积分布函数表示为

式中,rj为原图像归一化灰度级;nj为原图像中出现第k级灰度级的像素个数;n为图像中像素的总数;sk为HE后图像归一化灰度级;T为变换关系式;pr(rj)为原图像取第k级灰度值的概率(即原图像的灰度直方图)。

假设新图像的灰度级为k=0,1,⋯,N-1,则变换关系为

k=0,1,⋯,N-1(round为四舍五入取整运算)。

则原图像的两个灰度级ri1和ri2变换后的灰度值差为

由式(3)可知,当其值小于1时,原图像中灰度范围在[ri1,ri2]内的各灰度级在新图像中将被合并为一个灰度级,导致图像边缘等细节部分灰度级概率较小,所以根据式(3)可知图像在进行直方图均衡化处理时容易造成图像细节的丢失。

2 算法原理及流程

针对传统直方图均衡化中由于灰度级合并而丢失图像细节的问题,可以考虑先把图像细节提取出来。然后再将其与原图像直方图均衡化处理后的结果相叠加来增加图像的灰度级,从而使图像包含更多细节信息。

2.1 图像细节部分的提取

在灰度图像中,图像的细节部分往往是灰度级变化显著的地方,而它对应于图像频域中的高频部分。因此可以通过一系列的高通滤波抑制低频来提取图像的高频细节成分。频域中可以利用理想、巴特沃斯和高斯等高通滤波器及频域小波变换[5]的方法来提取图像的高频成分。空间域中有梯度法、拉普拉斯运算法和反锐化掩模法[2]等。由于空间域中算法简单且运算速度较快,文中选用空间域中的算法来提取图像的高频成分,具体算法如下:

水平垂直差分梯度法表示为

罗伯特(Robert)梯度法表示为

拉普拉斯算法表示为

拉普拉斯算法可用掩模表示为

反锐化掩模法基本算法为

式中,为原图像f(x,y)的模糊图像,相当于抑制高频成分后的图像。文中采用简单的领域平均法计算,当取3×3的方形窗口来对原图像进行模糊处理时,式(8)的掩模为

2.2 算法流程

(1)利用上节方法提取原图像的高频成分并赋予相应权值λ,得到了增强后的图像高频成分λ|f(x,y)|。

(2)运用传统直方图均衡化算法对原图像进行处理得到直方图均衡化后的图像fh(x,y)。

(3)将步骤(1)和步骤(2)结果相加,调整λ的取值,为防止灰度溢出将结果中超出255的灰度值取为255,得到最终处理后的图像g(x,y)。

最终处理后的图像与传统HE后的图像相比,由于叠加了图像的高频成分,所以图像应既能保留较高的对比度又包含更多的细节信息,通过下面的实验来加以验证。

3 实验结果与分析

实验图像采用cameraman和circuit图像。因为式(8)中运用了邻域平均法,相比于式(4)~式(6)有更好的去除噪声能力,所以文中采用式(8)来作为图像高频成分提取算法。分别采用传统HE算法和文中方法对图像进行处理,其中权值λ取值为6,实验结果分别如图1、图2所示。

从图1、图2中可以看出,经传统HE算法处理后图像整体对比度有了明显提高,在直方图上表现为灰度级趋于均匀分布,但是表征图像细节的灰度级合并过多,导致图像局部模糊,在直方图上表现为灰度级减少,分布变得稀疏。

而运用文中方法处理后,既增强了图像整体对比度又保留了原图像更多的细节信息。图1中衣服上的纽扣和褶皱纹理更加明显,远处建筑物也更加清晰,图2中电子元件的细节部分也得到了极大的增强。与传统HE后的图像相比,直方图上表征图像细节的灰度级显著增加,分布变得稠密。

下面选用文献[13]中提出的图像细节评价参数及其归一化形式来对这两种方法进行定量评估,结果如表1所示。

表1数据也说明,传统算法虽然能增强图像的对比度,但严重降低了图像的细节评价参数。文中提出的方法改善了这一不足,并且当表征原图像目标部分的灰度级过少时,可以大大提高图像的细节评价参数。如图2中应用文中方法处理后circuit图像的细节评价参数显著高于原图像。

4 结论

直方图图像增强技术 篇5

双直方图均衡化

1. 双直方图均衡化

双直方图均衡化首先将输入图像基于输入图像的均值分割成两幅子图, 其中一幅子图是像素值小于或等于均值的样本集, 而另一幅子图是像素值大于均值的样本集。然后再独立地对子图进行基于各自的直方图的均衡化, 前一个样本集被映射到范围从最小灰度级到输入均值, 后一个样本集被映射到从均值到最大灰度级。换句话说, 一幅子图被均衡到范围达到均值, 而另外一幅子图从均值开始被均衡化, 这个过程都是基于它们各自的直方图。因此, 结果均衡化子图是围绕其均值有界的, 这个方法对于保持平均亮度是很有效的。

用Xw表示图像X的均值, 假设Xw∈{X0, X1, ..., XL-1}。基于均值, 输入图像被分解成两幅子图XL和XU, 即

其中

子图XL由{X0, X1, ..., Xw}组成, 另外的XU由{Xw+1, Xw+2, ...XL-1}组成。

下一步, 定义两幅子图各自的概率密度函数,

其中nLk和nUk表示Xk在{X}L和{X}U中各自的数目, nL, nU分别是{X}L和nL=∑kw=0nLk中的像素总数, 记着nL=∑wk=0nLk和nU=∑L-1k=w+1nUk, n=nL+nU, 那么各自的累积密度函数可以定义为

其中Xk=x并定义c L (Xw) =1和cU (XL-1) =1。

与直方图均衡化相似, 将累积密度函数作为转换函数, 我们利用累积密度函数定义如下的转换函数

基于这些转换函数, 分别对分割所得的子图进行均衡化, 两幅子图的均衡化结果图组成亮度保持的双直方图均衡化的输出结果图, 也就是说其结果图Y可以表示成如下

其中

如果我们定义0≤cL (x) , c U (x) ≤1, 很容易发现fL (XL) 在范围 (X0, Xw) 内对子图XL进行衡化, 而fU (XU) 在范围 (Xw+1, XL-1) 内对子图XU进行均衡化, 结果输入图像X在动态范围 (X0, XL-1) 内被均衡化。其中小于等于均值的被映射到 (X0, Xw) , 大于均值的被映射到

2. 本文实验步骤

(1) 先将彩色图像转换成YCbCr彩色空间的灰度图像, 取得Y分量。

(2) 对Y分量灰度图像进行基于图像均值分割得到两幅子图;再分别独立地对两幅子图进行直方图均衡化处理。

(3) 将进行处理后的Y分量灰度图像与Cb分量和Cr分量图像组合得到增强的彩色图像。

实验结果与分析

通过上述的实验步骤, 可以得到比直方图均衡化效果更好的彩色图像。如图1所示的 (a) , (b) , (c) 三幅图像分别为原始彩色图像, 通过直方图均衡化处理的结果彩色图像, 通过基于均值分割直方图均衡化处理的结果彩色图像。可以看出通过直方图均衡化处理之后的图像在天空部分的亮度有所提高, 但树叶方面没有明显的亮度提高。而通过基于均值分割进行直方图均衡化处理之后的图像在树叶和天空部分的的亮度得到了更好的提高, 而且图像的清晰度也保持得更好。

图2给出了将彩色图像转换到YCbCr彩色空间的Y分量的原始图像和经过直方图均衡化之后的Y分量图像, 以及经过基于均值分割直方图均衡化处理之后的Y分量图像。

图3给出了对应于图2中Y分量图像即灰度图像的直方图。从中可以看出, 通过基于均值分割进行直方图均衡化之后的直方图比直接进行直方图均衡化处理之后的直方图分布得更加地均匀, 灰度级分布更均衡。

结论

直方图图像增强技术 篇6

颜色是图像给人的第一直观信息, 目前已有很多基于颜色的图像检索方法提出。1991年, Swain和Ballard提出的直方图相交算法[1], 该算法主要考虑图像中各种颜色的统计分布。文献[2-3]中提出把图像划分为固定的分块, 然后采取局部颜色直方图来描述图像的颜色和空间信息;文献[4-5]中提出累加计算直方图的方法, 通过累加方法增加了图像的鲁棒性。

在计算三维直方图时, 先将整个HSV颜色空间划分为若干个颜色小区间, 每个划分的颜色小区间对应直方图的bin。因为颜色空间划分颜色小区间的数目的不同, 直方图对颜色的分辨能力也就不同。根据这一性质, 本文的主要思想是在HSV空间上计算彩色图像的三维直方图, 然后通过改变直方图在三个不同方向轴的bin值, 得到不同的检索结果, 从而进一步分析彩色图像在HSV空间上, 三个不同分量H、S、V对图像检索结果的影响。

1 颜色空间

1.1 HSV空间

在RGB彩色空间中, 所有颜色通过三个分量红色 (R) 、绿色 (G) 、蓝色 (B) 混合而成, 3个分量具有相同的重要性, 通常以相同的分辨率存储。研究发现, 这种表示法并不符合人眼视觉系统特征, 而HSV空间更加接近人们对颜色的主观认识。所以在检索时, 需把RGB空间转换到HSV空间。HSV空间用色相H、饱和度S、亮度V三个分量表示颜色。色相是指光的颜色, 改变光的光谱成分, 就会引起色调的变化;饱和度是指颜色的深浅程度, 如深红、淡红等;亮度是指颜色的明亮程度, 与照射光的强度有关[6]。在HSV空间中, 三个分量H、S、V的重要性不同, 本文通过不同的实验, 说明它们各自的重要性。

1.2 RGB空间到HSV空间转换

彩色图像从RGB空间转换到HSV空间转换公式如式 (1) 。

2 特征提取及比较

本文算法主要包含以下两部分思想, 第一是颜色直方图的提取, 第二是图像相似度的计算方法。

2.1 颜色直方图

1991年, Swain等提出用颜色直方图[1]作为颜色特征, 描述图像中不同颜色占整幅图像的比例, 也就是每种颜色在这个空间中出现的概率。颜色特征是图像检索中应用最为广泛的一种低层视觉特征, 与其他视觉特征相比, 颜色特征对图像的旋转、平移、尺度变化甚至各种形变依赖性最小, 表现出相当强的鲁棒性[6]。

本文特征提取的是图像的颜色直方图, bin为后面提到的采样区间。在检索时, 根据设置直方图不同方向上颜色区间的bin值, 计算出每个颜色出现的概率。对应不同的bin值, 可以得到不同的颜色直方图。如, 在分辨率为M*N彩色图像中, 某颜色A (h0, s0, v0) 出现的概率计算公式如 (2) 式。

其中, K是颜色A (h0, s0, v0) 出现的次数。

2.2 相似度计算

相似度用来表示两幅图像间的相似程度。提取图像的直方图特征进行图像检索时, 计算它们之间的距离作为相似与否的判断依据。在这种情况下, 图像间相似度和距离成反比, 即距离越小, 图像间的相似度越高。本文在计算查询图像和相似度的度量时采用欧式距离。在HSV空间上, 查询图像Q和数据库图像T的三维直方图分别表示为HQ和HD, 它们之间的欧式距离定义如 (3) 式。

3 实验结果

本文实验的数据库来自COREL数据库中的彩色图像, 每组实验查询图像均取自同一幅图像。程序显示的返回结果说明如下:上面显示的图像是查询图像, 下面显示的10幅图像是返回的检索结果。T表示返回的10幅图像中, 实际与查询图像颜色相近的图像数目。

实验1:选取其中的100幅分辨率为384*256的“花朵”类彩色图像, 实验结果是返回10幅颜色相似图像。通过对直方图bin值的不同取值, 得到不同的实验结果。

我们从这组数据返回的结果可以看出, 当缩小S轴的bin值, 可以大大改善检索效果, 说明在花朵图像中, 相对H、V两个分量, S分量起作用更大。下面我们改变查询图像, 以进一步说明S的重要性。

但是最后一幅图像返回的是“黄花”图像, 与查询图像差别很大, 影响检索效果。

实验2:取COREL数据库中100幅分辨率为384*256的“海边”类彩色图像, 实验过程和实验1相同, 选取的结果也是其中的2组数据。

下面改变查询图像, 查询图像为“沙滩”图像。

实验2的实验数据说明, 在“海边”类图像中, 当缩小V的采样区间的时候, 可以提高检索效率, 表明在这类图像中V的重要性相对于H、S来说, 更有意义。

4 结束语

本文提出的思想是基于HSV空间, 通过计算彩色图像的三维直方图进行图像检索。通过大量实验验证得出, 改变直方图不同方向上的bin值, 可表明色相H、饱和度S、亮度V对不同类别的图像数据库重要性不一。例如:实验1的数据说明饱和度对“花朵”类图像意义更大, 实验2的数据说明亮度对“海边”类图像的意义更大。在今后的工作中, 我们的工作重点是结合图像的纹理特征进行检索, 以更大程度地提高检索的精度。

参考文献

[1]M.J.SWAIN, D.H.BALLARD.Color indexing.In-ternational Journal of Computer Vision, 1991, 7 (1) :11-32.

[2]J.MALKI, N.BOUJEMAA, C.NASTAR, et al.Region queries without segmentation for image retrieval by content, .Proceedings of the Third InternationalConference on Visual Information and Information Sys-tems.London.UK:pringer-Verlag, 1999, 1614:115-122.

[3]A.DIMAI.Spatial encoding using differ-ences of global features.SPIE, 1997, 3022:352-360.

[4]M Stricker, M Orengo.Similarity of color images.In:Proc of Storage and Retrieval for Image and Video Databases III.San Jose, 1995:381-92.

[5]刘忠伟, 章毓晋.利用局部累加直方图进行彩色图像检索[J].中国图像图形学报, 1998, 3 (7) :533-537.