灰度直方图（Gray Histogram）

在数字图像处理中，灰度直方图是一种计算代价非常小但却很有用的工具，它概括了一幅图像的灰度级信息，它用来描述每个灰度级在图像矩阵中的像素个数或者占有率，或者出现频率。

通过直方图，我们可以很快知道一个灰度图片中有效数据的大概范围，可以通过一些简单的线性计算，将我们感兴趣的数据重新编辑到新的图片中，也可以调节一张照片的曝光量，某些教科书上称这种做法叫对比度进行调节。

当然，如果配合神经元网络，我们也可以对一些黑白照片重新上色。当然这些都是比较高阶的技巧了。

直方图调整有几种常用的方法，如线性变换、分段线性变换、伽马变换、直方图正规化、直方图均衡化、局部自适应直方图均衡化、图像翻转等，这些方法的计算代价较小，但是却产生了较为理想的效果。

直方图的计算方法

我又把这张图拿了出来，直方图的计算方式，其实就是从上到下，从左到右一个一个像素进行统计。所以假设我们对林肯的照片进行分析，绘制这张照片的直方图，那么在X轴的方向，就是强度信息，也就是灰度值 [0,255][0, 255][0,255]，而它的Y轴方向，就是频率信息，或者说是各像素点值的出现率。

def calculate_hist(img):# create a matrix to hold histogram informationhistogram = np.zeros(256, dtype=np.uint64)# iterate each pixelrow, col = img.shapefor r in range(row):for c in range(col):histogram[img[r, c]] = histogram[img[r, c]] + 1# return to callerreturn histogram

我们对结果进行比对，看看是否一致：

    # load data from fileimg = cv2.imread("Data/lincoln.jpg", cv2.IMREAD_GRAYSCALE)my_hist = calculate_hist(img)# showshow_images(img.reshape(-1), my_hist)

输出的效果：

左侧是我们的计算结果，而右侧是通过matplotlib进行统计的结果，我们可以看到结果是一样的。通过直方图，我们知道我们感兴趣的数据，主要集中在[0,100][0, 100][0,100]和[160,255][160, 255][160,255]这两个范围区间内，那么这两个区间内都包含哪些有趣的图像信息呢？

简单的图像转换方法

线性变换 / 图像翻转（Image Nagatives）

线性变换，又或者叫图像翻转，通常被应用于X光照片这类图像的处理。由于我们兴趣区域的数据多处于低密度区域，而这部分数据如果直接显示通常较难观察到（low intensity），例如X光来说，低密度的细节通常很难进行观察，而通过线性转换，则可以得到一些用肉眼不太容易注意到的细节。

比如这张对乳腺的X光照片，转换后的右侧图片中黑色斑块的位置，可能预示患者已经有了肿块，可能需要进一步的细致检查。

假设图像的灰阶为[0,255][0, 255][0,255]这个范围，那么它的线性转换计算方式可以简单的表示为：

Ic=255−IoI_c = 255 - I_o Ic=255−Io

其中IcI_cIc表示为转换后的图像灰阶，IoI_oIo表示为原始图像灰阶。在冈萨雷斯的教材上，这个公式表示为：s=L−1−rs = L - 1 - rs=L−1−r，本质上是一样的。算法代码如果使用到 numpy 的独有特性，那么可以更简单的写成这样：

def image_negative(file: str):image = cv2.imread(file, cv2.IMREAD_GRAYSCALE)negative_img = 255 - image.flatten()negative_img = negative_img.reshape(image.shape)show_images(image, negative_img, "Negative Image")

对数变换（Log Transformation）

由于线性变化，正如其名字线性的，所以如果很多重要的数据都挤压在低密度数据区间时，直接进行线性变化也很难看出图像的特征，那么就通过对数的方式，不成比例的“放大”图像的细节。

Ic=c⋅log(1+Io)I_c = c \cdot log(1 + I_o) Ic=c⋅log(1+Io)

其中 ccc 是曲线放大系数，(1+Io)(1+I_o)(1+Io) 的目的是把 log 曲线向左移1个单位。

放大系数并无固定要求，通常根据自己实际工作的需要来调试确定。

def log_transform(file: str):image = cv2.imread(file, cv2.IMREAD_GRAYSCALE)log_trans = 10 * np.log(1 + image)log_trans = np.uint8(log_trans)show_images(image, log_trans, "Log Transform")

Gamma变换（Power-Law Transformation）

Gamma函数实际上就是幂函数，其公式为：
Ic=c⋅IoγI_c = c \cdot I{_o}^\gamma Ic=c⋅Ioγ
不同的gamma值，会输出不同的映射曲线，由于我们通常只使用其第一象限内的映射，且把[0,255][0,255][0,255]的灰阶强度，归一化后控制在[0,1][0,1][0,1]这个区间

所以实际上的转换效果是这样：

通过gamma变换，可以有效的纠正一张过曝或欠光的图片。从图中的曲线可以得知，如果要将一张欠光的照片调整到正常的样子，可以让 γ<1\gamma < 1γ<1。而对于一张过曝的照片，则可以让γ>1\gamma > 1γ>1，从而获得满意的效果。

ccc 通常为放大、缩小倍数，一般情况下，我们令其为1。

对于欠光的图片：

而对于过曝照片：


def gamma_transform(file: str, c, gamma):image = cv2.imread(file, cv2.IMREAD_GRAYSCALE)# # normalization the pixelsfloat_image = image / 255.0gamma_trans = c * np.power(float_image, gamma)gamma_trans = np.uint8(gamma_trans  * 255.0)show_images(image, gamma_trans , "Gamma Transform")

数字图像学笔记——4. 直方图计算、线性变换、对数变换、Gamma变换相关推荐

数字图像学笔记——13. 图像退化与复原（退化函数的评估方法：观察法、实验法、数学建模法与湍流导致的退化）
在对受到多种原因影响的图像进行复原时,我们经常需要先行评估对图像质量产生影响的退化函数,有时甚至需要尝试建模.通过这些手段,能够最大程度上恢复图像上的噪音,并重建高清的图像细节. 文章目录线性位置不 ...
数字图像学笔记 —— 16. 图像退化与复原（自适应滤波之「最小均方差滤波」）
文章目录图像恢复的一般运算过程什么是「最小均方差滤波」实现步骤实现代码最后的结果图像恢复的一般运算过程我们从前几章的基本理论出发,退化信号恢复成原始信号的步骤,可以概括成两步基本公式.对 ...
数字图像学笔记——14. 图像退化与复原（线性退化）
文章目录运动导致的退化(线性退化) 水平运动导致的退化垂直运动导致的退化运动导致的退化(线性退化) 在上一章 <数字图像学笔记--13. 图像退化与复原(退化函数的评估方法:观察法.实验法 ...
数字图像学笔记——10. 频域与傅里叶分析方法
频域滤波技术,目前主要使用的有两种类型,一种是傅立叶变换技术,还有一种是小波分析.基本逻辑就是把原始信号映射到频率空间中,使得在时域空间无法处理的信号,得以在另外一种空间体系下能够被较有效的处理. 目 ...
数字图像学笔记——3.彩色转黑白
文章目录一些说明关于示例代码关于依赖环境关于教材灰度图.亮度图(Gray Image) 彩色图转灰度图一般亮度转换(luminosity method) 亮度优先转换(luminosity ...
数字图像学笔记——7. 噪音生成（泊松噪音生成方法）
文章目录泊松噪音 Knuth算法散列生成算法生成泊松噪音的图像泊松噪音 Knuth算法首先,回顾泊松分布的函数: P(x=k)=e−λλkk!P(x=k) = \frac{e^{- \lam ...
《OpenCV3编程入门》学习笔记9 直方图与匹配（一二）图像直方图概述直方图的计算与绘制
第9章直方图与匹配 9.1 图像直方图(Histogram)概述 1.作用: 在每个兴趣点设置一个有相近特征的直方图所构成的标签,通过标记帧与帧之间显著的边缘.颜色.角度等特征的统计变化,来检测 ...
Python OpenCV学习笔记之：灰度图像的直方图计算
为什么80%的码农都做不了架构师?>>> # -*- coding: utf-8 -*- """ 图像的直方图计算 ""&qu ...
【opencv学习笔记】025之直方图计算 - calcHist函数详解
前言如果你想了解更多有关于计算机视觉.OpenCV.机器学习.深度学习等相关技术的内容,想与更多大佬一起沟通,那就扫描下方二维码加入我们吧! 1.calcHist函数是干什么滴? 这个问题嘛,看看标 ...

数字图像学笔记——4. 直方图计算、线性变换、对数变换、Gamma变换

文章目录