OPENCV图像处理提高(一）图像增强

在图像处理学习中会涉及到直方图，直方图很好地表现了图像的灰度信息；同时我们注意到在暗图像中，直方图的分量集中在灰度级的低端；亮图像的灰度值集中在直方图灰度值的高端；低对比度的图像有较窄的直方图，并集中于直方图的中间部分；高对比度的图像中直方图的分量覆盖很宽的范围，而且像素的分布没有太不均匀，只能看到少量垂线比其他高许多。通过图像增强可以有效地减弱这些缺陷

                            图 1

                           图   2

如图1，细胞表面的一些地方较为模糊，图2，整体图片偏亮
来看先来看第一张图的直方分布图：

分量集中在灰度值较高地地方。
第二张图的直方分布图：

直方图

来看一下两张图片的直方分布图片：

下面两张是经图像增强处理图片：

                              图 3

可以明显看到图片比之前的要清晰；
再来看其直方分布图：

图 4
人脸的直方分布图：

首先，我们设连续的灰度r和z，同时令$P_{r}(r)$和$P_{z}(z)$表示其连续的概率密度函数。

$$P_{r}(r)$$ 为原来图像的灰度概率函数， $P_{z}(z)$为经处理后的概率函数：
同时我们设一个随机变量s：
$s=T(r)=(L-1)\int_{0}^{r}P_{r}(w)dw$
其中w为积分变量；
接着定义随机变量z：
$G(z)=(L-1) \int_{0}^{z}P_{z}(t)dt=s$
其中t为积分变量；
由这两个公式可得 $G(z)=T(r)$
$z=G^{-1}[T(r)]=G^{-1}(s)$
当输入函数 $P_{r}(r)$时，变换函数 $T(r)$可得到s；同时， $P_{z}(z)$可经过 $G(z)$变换得到s，同时得到
$z=G^{-1}[T(r)]=G^{-1}[(L-1)\int_{0}^{r}P_{r}(w)dw]$
在实际中图像的直方图灰度分量是离散的，处理离散量时，只求得到一个近似的直方图：
$s_{k}=T(r_{k})=(L-1)\sum_{j=0}^{k}P_{r}(r_{j})=\frac{L-1}{MN}\sum_{j=0}^{k}n_{j},k=0,1,2,3,\cdot \cdot \cdot ,L-1$
其中MN是图像总的像素点， $n_{j}$是具有灰度值 $r_{j}$的像素的个数，L是图像中可能的灰度级数；
接下来上代码：

#include<opencv2\opencv.hpp>
#include<opencv\cv.h>
#include<opencv2\core\core.hpp>
#include<stdlib.h>
#include<math.h>

using namespace cv;
using namespace std;

void  enhance(Mat src, Mat dir)
{    
    FILE *fp;
    fp = fopen("src.txt", "w");
    int srcpixel[256] = { 0 };
    int dirpixel[256] = { 0 };
    int p;//temp
    double srcprob[256];
    double dirprob[256] = {0};
    double zhong = src.rows*src.cols;
    for (int i = 0; i < src.rows; i++)
    {
        for (int j = 0; j < src.cols; j++)
        {

            p = src.at<uchar>(i, j);
            srcpixel[p]++;
        }
    }
    for (int i = 0; i < 255; i++)
    {
        srcprob[i] = srcpixel[i]/ zhong;
        fprintf(fp, "%lf  ", srcprob[i]);
        printf("srcpixel[%d]=%f\n", i, srcprob[i]);
    }
    double o=0;
    dirprob[0] = srcprob[0];
    for (int i = 1; i < 256; i++)
    {
        dirprob[i] = dirprob[i - 1] + srcprob[i];
    }
    for (int i = 0; i < src.rows; i++)
    {
        for (int j = 0; j < src.cols; j++)
        {
            p = src.at<uchar>(i, j);
            dir.at<uchar>(i, j) = 255 * dirprob[p];
        }
    }
    fclose(fp);
//  srcpixel[256] = { 0 };

    fp = fopen("dir.txt", "w");
    for (int i = 0; i < src.rows; i++)
    {
        for (int j = 0; j < src.cols; j++)
        {

            p = dir.at<uchar>(i, j);
            dirpixel[p]++;
        }
    }
    for (int i = 0; i < 255; i++)
    {
        srcprob[i] =dirpixel[i] / zhong;
        fprintf(fp, "%lf  ", srcprob[i]);
        printf("srcpixel[%d]=%f\n", i, srcprob[i]);
    }
    fclose(fp);



}
int main(int argc,char *argv[])
{

    Mat src= imread("3.jpg",0);
    Mat dir(src.rows,src.cols,CV_8UC1);
    imshow("src", src);
    //cvtColor(pic, pic, CV_BGR2GRAY);
    //imshow("12", pic);
    enhance(src, dir);
    imshow("drt", dir);
    imwrite("22.jpg", dir);
    waitKey();
}

这里 src，dir表示原来图像和目标图像，先遍历出各灰度值的像素个数，计算出概率prob，通过公式转化成目标图像的概率
fprintf将灰度值概率记下，方便用openGL或excel画出直方图进行比对
；
笔者能力有限，如有不足或错误欢迎指出