【C++】【图像处理】直方图均衡算法解析（以.raw格式的图像为基础进行图像处理、gray levels：256）

合集 - C++(17)

1.【C++】关于引用类型学习记录2023-11-07

2.【C++】【图像处理】直方图均衡算法解析（以.raw格式的图像为基础进行图像处理、gray levels：256）2023-11-12

3.【C++】【图像处理】均值滤波 and 高斯滤波 and 中值滤波 （低通滤波器）and Sobel算子边缘提取算法解析（以.raw格式的图像为基础进行图像处理、gray levels：256）2023-11-134.【C++】【图像处理】形态学处理（腐蚀、膨胀）算法解析（以.raw格式的图像为基础进行图像处理、gray levels：256）2023-11-165.【C++】【图像处理】灰度直方图实现算法解析（以.raw格式的图像为基础进行图像处理、gray levels：256）2023-11-086.【C++】【OpenCV】Visual Studio 2022 配置OpenCV2024-02-247.【C++】【OpenCV-4.9.0】灰度图取反(Mat属性的使用)2024-03-048.【C++】【OpenCV-4.9.0】视频写入（VideoWriter，借助samples中的代码示例来进行学习）2024-03-139.【C++】【MFC】Windows程序运行入口 and DialogBox2024-05-1310.【C++】【YOLO】搭建环境运行YOLO模型，完成目标识别2024-05-2911.【C++】【MFC】模态和非模态对话框2024-05-3012.【C++】【MFC】运行时类信息机制和动态创建机制2024-06-1713.【C++】【MFC】CView和CDocument关联以及COMMAND消息走向2024-06-2114.【C++】【MFC】MFC多文档框架2024-06-2415.【C++】【MFC】绘图2024-06-2416.【C++】【MFC】MFC序列化2024-06-2517.【C++】【MFC】控件集合2024-06-28

收起

void hisEqualiz(BYTE* image, int w, int h, BYTE* outImg)
{
    //直方图均衡
    int his[256];// 声明一个长度为256的数组，用于存储每个灰度级出现的频率
    int n, i, j;

    // 初始化直方图数组
    for (n = 0;n < 256;n++)
        his[n] = 0;

    // 统计原始图像的灰度直方图
    for (i = 0;i < h;i++)
        for (j = 0;j < w; j++)
            his[image[i * w + j]]++; // 统计每个灰度级出现的频率

    /* 上述代码是生成灰度直方图 */


    /* 
    计算累积直方图——至关重要的步骤，这一步将his表示灰度级频率转换成了 <= 当前灰度级的所有像素点个数，
        如 new_his[1] = old_his[0] + old_his[1] 假设=5，
        而当new_his[2] = 100时，这就说明从灰度级1到灰度级2之间的数量跨度非常的大，我们需要重新对这100个像素点表示的灰度级重新分配。
    */
    for (n = 1;n < 256;n++)
        hist[n] += his[n - 1];

    BYTE gray[256];// 存储经过均衡化后的灰度值
    float cons;
    cons = 255.0f / his[255];// 计算均衡化后的灰度值比例尺，即归一化因子 —— 这一步是将256个像素均匀的分配到每个像素点上，如图像有1000个像素点，则cons = 255 / 1000;

    // 计算均衡化后的灰度值
    for (n = 0;n < 256;n++)
        gray[n] = (BYTE)(cons * his[n]);// 对每个灰度级进行均衡化计算
    /*
    为什么是使用cons * new_his[]，而不是和 old_his[]进行操作呢？
    old_gray[] = {0, 1, 2, 3} —— 表示从0到3上的像素点的灰度级
    假设old_his[] = {1, 201, 13, 50} —— 表示0到3这四个灰度级的个数
    new_his[] = {1, 202, 215, 255} —— 经过累加后，变成 <= 当前灰度级的所有像素个数

    我们分别和cons(假设归一化因子是0.25)进行计算：
    cons_old_his = {0.25, 50.25, 3.25, 12.5} = cons_old_gray —— cons_old_his此时表示每个像素点上的灰度级，我们对比 old_gray可以清晰的发现，原像素级是递增的，然是此时的cons_old_his确实第二个像素点的像素级最大，这不符合原图像
    cons_new_his = {0.25, 50.5, 53.75, 63.75} = cons_new_gray —— 至此，这便是为什么是和 new_his 进行乘积，而不是 old_his 进行乘积。
    
    */

    // 应用均衡化后的灰度值到输出图像
    for (i = 0;i < h;i++)
        for (j = 0;j < w;j++)
            outImg[i * w + j] = gray[image[i * w + j]];// 将均衡化后的灰度值应用到输出图像中
}

 

总结：直方图均衡的核心，即获取小于等于当前灰度级存在的所有的像素点，设定归一化因子，最后进行均衡化计算。