ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

计算机视觉导论
章节 1: 计算机视觉入门
什么是计算机视觉?
计算机如何理解图像
历史简述
计算机视觉的常见任务
计算机视觉系统组成部分
搭建开发环境
实践:加载并显示图像
第 1 章测验
章节 2: 数字图像基本原理
像素:图像的基本构成单位
数字图像表示
颜色空间简介
常见图像文件格式
理解图像分辨率
图像坐标系
读取和写入图像文件
实践:检查图像属性
第 2 章测验
章节 3: 基本图像处理技术
点操作:亮度调整
点操作:对比度调整
图像直方图讲解
直方图均衡化用于增强对比度
几何变换:缩放
几何变换:旋转与平移
图像滤波入门
基本平滑滤波器
动手实践:应用基本图像变换
第 3 章测验
章节 4: 特征检测入门
图像中的特征是什么?
为什么要识别特征?
边缘检测原理
边缘检测的Sobel算子
Canny边缘检测器
角点检测原理
Harris角点检测器的思路
特征描述符介绍
动手实践:图像边缘检测
第 4 章测验
章节 5: 物体识别入门
物体识别的原理
模板匹配详解
模板匹配的运作方式
模板匹配的局限性
物体识别中的挑战
机器学习方法概述
实践:简单模板匹配
第 5 章测验

直方图均衡化用于增强对比度

在上一节中,我们了解了图像直方图如何概括图像中的亮度分布。通常,在实际条件下拍摄的图像可能对比度较差,这意味着它们的像素亮度集中在一个狭窄的范围。这可能由于光照条件不佳、成像传感器限制或特定场景特点造成。这类图像可能显得褪色或过暗,使细节难以分辨。

直方图均衡化是一种自动技术,旨在改善图像的整体对比度,通过有效地分散最常见的亮度值。它的目标是重新分配像素亮度,使其尽可能均匀地分布遍布整个可用亮度范围(通常对于8位灰度图像是0到255)。

均衡化的原理

设想一张灰度图像,其中大部分像素集中在中间灰色值附近。其直方图会在中间显示一个大峰,而在暗端和亮端只有很少的像素。直方图均衡化的目的是拉伸这个狭窄的亮度范围,使其覆盖从黑色到白色的全部光谱。

直方图均衡化通过根据图像的整体亮度分布来变换每个像素的亮度,从而增强图像对比度。其主要思想基于图像直方图的累积分布函数(CDF)。

使用累积分布函数(CDF)

直方图告诉我们每个亮度级别上像素的频率(或数量)。对于给定的亮度级别 kkk,CDF表示所有亮度级别(包括 kkk)的频率累积和。本质上,它告诉我们图像中亮度低于或等于 kkk 的像素比例。

对于具有 LLL 个可能亮度级别(例如,8位灰度图像的 L=256L=256L=256,级别为 0,1,...,L−10, 1, ..., L-10,1,...,L−1)的图像,令 nkn_knk​ 为亮度为 kkk 的像素数量,NNN 为图像中的总像素数量。归一化 (normalization)直方图值(亮度 kkk 的概率)是 p(k)=nk/Np(k) = n_k / Np(k)=nk​/N。

离散CDF计算公式如下: CDF(k)=∑j=0kp(j)CDF(k) = \sum_{j=0}^{k} p(j)CDF(k)=∑j=0k​p(j) 这个 CDF(k)CDF(k)CDF(k) 值范围从 p(0)p(0)p(0) (当 k=0k=0k=0) 到 1 (当 k=L−1k=L-1k=L−1)。

直方图均衡化使用这个CDF将输入像素亮度 kkk 映射到新的输出亮度 k′k'k′。变换函数 T(k)T(k)T(k) 本质上是缩放后的CDF值: k′=T(k)=取整((L−1)×CDF(k))k' = T(k) = \text{取整}((L-1) \times CDF(k))k′=T(k)=取整((L−1)×CDF(k)) 此处,L−1L-1L−1 是可能的最大亮度值(例如,255)。round() 函数确保输出是整数亮度级别。

这种变换的作用是将亮度密集区域(直方图高,CDF斜率陡峭)的像素映射到更宽的输出亮度范围。反之,亮度稀疏区域(直方图低,CDF斜率平缓)的像素被映射到较窄的输出亮度范围。整体效果是直方图分布更广,理想情况下更接近均匀分布,从而提高整体对比度。

直方图均衡化示意图。低对比度直方图(蓝色条形)及其陡峭上升的CDF(蓝色虚线)被变换为分布更广的直方图(绿色条形)及其更接近线性的CDF(绿色虚线),覆盖了更宽的亮度范围。

何时使用直方图均衡化(何时不使用)

直方图均衡化特别适用于以下图像:

  1. 背景和前景都偏暗或偏亮: 它能显著提高它们之间的对比度。
  2. 图像需要自动增强时: 这是一种无需参数 (parameter)的方法。
  3. 细节隐藏在亮度相近的区域时: 均衡化能使这些细节更清晰。

然而,它并非适用于所有图像的完美方案:

  • 噪声放大: 如果原始图像含有噪声,尤其是在亮度相对均匀的区域,均衡化可能会放大这些噪声,使其更明显。
  • 不自然的外观: 由于它强制亮度分布趋于均匀,有时会产生不自然的结果,尤其是在本身已有良好对比度的图像中。
  • 全局效应: 它作用于整个图像的直方图。如果只需要增强特定区域的对比度,全局直方图均衡化可能会对图像的其他部分产生不良影响。在这种情况下,通常更倾向于使用自适应直方图均衡化等技术(如CLAHE),它们作用于局部图像块,但这些内容超出了本介绍章节的范围。

总而言之,直方图均衡化是一种基本且常用技术,用于自动改善图像对比度,通过根据累积分布函数重新分配其像素亮度值。尽管功能强大,但务必注意其潜在缺点,例如噪声放大和其全局性。

  • Computer Vision: Algorithms and Applications, Richard Szeliski, 2022 (Springer) - 一本计算机视觉领域的权威教材,涵盖了基础图像处理技术,并在更广阔的视觉背景下提供了直方图均衡化等对比度增强方法的见解。
  • CS131: Computer Vision - Lecture 2: Image Formation and Histograms, Silvio Savarese, 2018 (Stanford University) - 来自知名大学计算机视觉课程的讲义,提供了图像直方图及其在通过均衡化进行对比度增强方面的应用学术概述。

© 2026 ApX Machine Learning