温故而知新：直方图均衡、直方图匹配的再次理解

本文主要是介绍温故而知新：直方图均衡、直方图匹配的再次理解，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

☞ ░ 前往老猿Python博客 ░ https://blog.csdn.net/LaoYuanPython

引言

数字图像处理的知识在2年前学过一阵子，但没学完，后来基于各种原因就停滞了整整2年没有学习了，现在准备重新开始，为此把以前学习写的总结博文翻出来重新进行温习。

在温习直方图均衡的内容时，发现自己对直方图均衡和直方图匹配的原理以前并没有真正理解，这次仔细思考了下直方图均衡解决的问题及原理，以及直方图匹配的原理，并发现了原文的一处BUG(该BUG已经修订，在此就不介绍了)。

下面就一些思考在此介绍一下。

直方图均衡的意义

直方图均衡具有扩展输入图像直方图（spread the histogram of the input image）的趋势，均衡后的图像的灰度级（intensity levels）跨越更宽灰度级（intensity scale）范围，最终结果（The net result）是增强了对比度（contrast enhancement）。

为什么直方图均衡会有这样的结果或意义呢？这是由直方图均衡的变换公式决定的，以数字图像的直方图均衡变换为例，其对应公式为：

上述公式中：

• rk表示原图像灰度值为k灰度值变量
• sk表示原图像中灰度值为k的灰度经过公式变换后其新的灰度值，在计算过程中可能出现小数，要进行四舍五入处理
• M、N为图像的宽度与高度，其乘积就是总像素数
• L为灰度的取值最大值+1，如8bit表示的灰度值中，L=255
• nj为灰度值为j的像素个数，nj的值为非负整数，一幅图像的所有nj的和应该等于M、N的乘积。

从上述公式可以得到如下信息：

1. 上述变换函数是递增函数，rk值越大，sk的值也越大；
2. SK的范围为[0，L-1]；
3. 灰度值为r_k的像素越少，则r_k与r_k-1映射到的s_k与s_k-1就越接近甚至相等，这样就导致原图像中灰度值对应像素少的灰度值就会与小于该灰度值的部分灰度值在变换后灰度值趋同，这样就对原图像中少数类似噪点的像素进行降噪处理，比如图像灰度值大于0，且为1-10的像素少于MN/(2*（L-1))时，其灰度值1-10就会被变换映射为0，这样会将图像的灰度范围向下延伸
4. 对于某灰度值大于0的rk对应的像素个数比较多时，则大于等于rk的所有灰度值可能就通过均衡方式得到增大，当原图像的最高灰度值低于L-1时，其最高灰度值就会放大到L-1，这样就向上延伸了灰度值范围，和上面一点相结合，就会提高图像灰度值的范围和对比度

直方图匹配的理解

直方图匹配（Histogram Matching ），又称为直方图规定化（Histogram Specification），旨在调整源图像的直方图以使其匹配指定的直方图。

具体实现是通过源图像的直方图均衡的结果图像A的灰度值，和指定的结果图像直方图的均衡化结果图像B的灰度值进行映射，通过两个均衡化后的直方图找到原图像的灰度值和指定的结果图像的灰度值的映射关系。

为什么通过两次直方图均衡后的图像映射就能找到原图像需要满足指定直方图的映射呢？

这是因为直方图匹配的本质就是重新映射源图像的灰度级别，使得原图像的像素值通过映射调整后对应的分布被调整为与目标直方图要求的分布相同或相近，经过匹配后的图像将具有与目标图像或指定直方图要求的对比度和亮度特性。

小结

本文针对笔者复习直方图均衡和匹配的知识的一些思考进行了说明，直方图均衡扩展可图像的灰度级（intensity scale）范围、增强了图像的对比度，而直方图匹配则使得图像具有与目标图像或指定直方图要求的对比度和亮度特性。

更多图像处理请参考专栏《OpenCV-Python图形图像处理》及《图像处理基础知识》的介绍。

对于缺乏Python基础的同仁，可以通过老猿的免费专栏《 专栏：Python基础教程目录》从零开始学习Python。

如对文章内容存在疑问或需要相关资料，可在博客评论区留言，或关注：老猿Python 微信公号发消息咨询，可通过扫二维码加微信公众号。

写博不易，敬请支持：

如果阅读本文于您有所获，敬请点赞、评论、收藏，谢谢大家的支持！

更多关于统信操作系统及opencv的介绍的内容请参考专栏《国产信创之光》的其他文章。

关于老猿的付费专栏

1. 付费专栏《https://blog.csdn.net/laoyuanpython/category_9607725.html 使用PyQt开发图形界面Python应用》专门介绍基于Python的PyQt图形界面开发基础教程，对应文章目录为《 https://blog.csdn.net/LaoYuanPython/article/details/107580932 使用PyQt开发图形界面Python应用专栏目录》；
2. 付费专栏《https://blog.csdn.net/laoyuanpython/category_10232926.html moviepy音视频开发专栏 )详细介绍moviepy音视频剪辑合成处理的类相关方法及使用相关方法进行相关剪辑合成场景的处理，对应文章目录为《https://blog.csdn.net/LaoYuanPython/article/details/107574583 moviepy音视频开发专栏文章目录》；
3. 付费专栏《https://blog.csdn.net/laoyuanpython/category_10581071.html OpenCV-Python初学者疑难问题集》为《https://blog.csdn.net/laoyuanpython/category_9979286.html OpenCV-Python图形图像处理 》的伴生专栏，是笔者对OpenCV-Python图形图像处理学习中遇到的一些问题个人感悟的整合，相关资料基本上都是老猿反复研究的成果，有助于OpenCV-Python初学者比较深入地理解OpenCV，对应文章目录为《https://blog.csdn.net/LaoYuanPython/article/details/109713407 OpenCV-Python初学者疑难问题集专栏目录 》
4. 付费专栏《https://blog.csdn.net/laoyuanpython/category_10762553.html Python爬虫入门 》站在一个互联网前端开发小白的角度介绍爬虫开发应知应会内容，包括爬虫入门的基础知识，以及爬取CSDN文章信息、博主信息、给文章点赞、评论等实战内容。

前两个专栏都适合有一定Python基础但无相关知识的小白读者学习，第三个专栏请大家结合《https://blog.csdn.net/laoyuanpython/category_9979286.html OpenCV-Python图形图像处理 》的学习使用。

对于缺乏Python基础的同仁，可以通过老猿的免费专栏《https://blog.csdn.net/laoyuanpython/category_9831699.html 专栏：Python基础教程目录）从零开始学习Python。

如果有兴趣也愿意支持老猿的读者，欢迎购买付费专栏。

老猿Python，跟老猿学Python！

☞ ░ 前往老猿Python博文目录 https://blog.csdn.net/LaoYuanPython ░

这篇关于温故而知新：直方图均衡、直方图匹配的再次理解的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---