1.图像增强的目的：
1）改善图像的视觉效果，
2）转换为更适合于人或机器分析处理的形式
3）突出对人或机器分析有意义的信息
4）抑制无用信息，提高图像的使用价值
5）增强后的图像并不一定保真
2，图像增强的方法分类：
1）从处理对象分类：灰度图像，（伪）彩色图像
2）从处理策略分类：全局处理，局部处理（ROI ROI，Region of Interest Interest）
3）从处理方法分类：空间域（点域运算，即灰度变换；邻域方法，即空域滤波），频域方法
4）从处理目的分类：图像锐化，平滑去噪，灰度调整（对比度增强）
3，图像增强的方法之对比度增强
1）灰度变换法
线性变换（已实现）
对数变换（已实现）
指数变换（已实现）
2）直方图调整法
直方图均衡化（已实现）
直方图匹配（未实现）
直方图均衡化的英文名称是Histogram Equalization.
图像对比度增强的方法可以分成两类:一类是直接对比度增强方法;另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。直方图拉伸是通过对比度拉伸对直方图进行调整，从而“扩大”前景和背景灰度的差别，以达到增强对比度的目的，这种方法可以利用线性或非线性的方法来实现;直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强。
关于编程实现，同样是不调用matlab库函数，自己编程实现。这样可以更深刻地理解直方图均衡化技术，提高编程能力。
实现代码（matlab）：
clc;
close all;
clear all;
src_img = imread('flyman_gray.bmp');
figure (1)
subplot(321),imshow(src_img),title('原图像');%显示原始图像
subplot(322),imhist(src_img),title('原图像直方图');%显示原始图像直方图
matlab_eq=histeq(src_img); %利用matlab的函数直方图均衡化
subplot(323),imshow(matlab_eq),title('matlab直方图均衡化原图像');%显示原始图像
subplot(324),imhist(matlab_eq),title('matlab均衡化后的直方图');%显示原始图像直方图
dst_img=myHE(src_img); %利用自己写的函数直方图均衡化
subplot(325),imshow(dst_img),title('手写均衡化效果');%显示原始图像
subplot(326),imhist(dst_img),title('手写均衡化直方图');%显示原始图像直方图 直方图均衡化函数的实现：
function dst_img=myHE(src_img)
[height,width] = size(src_img);
dst_img=uint8(zeros(height,width));
%进行像素灰度统计;
NumPixel = zeros(1,256);%统计各灰度数目，共256个灰度级
for i = 1:height
for j = 1: width
NumPixel(src_img(i,j) + 1) = NumPixel(src_img(i,j) + 1) + 1;%对应灰度值像素点数量增加一
end
end
%计算灰度分布密度
ProbPixel = zeros(1,256);
for i = 1:256
ProbPixel(i) = NumPixel(i) / (height * width * 1.0);
end
%计算累计直方图分布
CumuPixel = zeros(1,256);
for i = 1:256
if i == 1
CumuPixel(i) = ProbPixel(i);
else
CumuPixel(i) = CumuPixel(i - 1) + ProbPixel(i);
end
end
% 指定范围进行均衡化
% pixel_max=max(max(I));
% pixel_min=min(min(I));
pixel_max=255;
pixel_min=0;
%对灰度值进行映射（均衡化）
for i = 1:height
for j = 1: width
dst_img(i,j) = CumuPixel(src_img(i,j)+1)*(pixel_max-pixel_min)+pixel_min;
end
end
return;
为什们和matlab的直方图不一样呢？？？
clc;
close all;
clear all;
% -------------Gamma Transformations-----------------
%f = imread('Fig0316(4)(bottom_left).tif');
f = imread('seed.tif');
Gamma = 0.4;
g2 = myExpEnhance(f,Gamma);
figure();
subplot(221); imshow(f); xlabel('a).Original Image');
subplot(222),imhist(f),title('原图像直方图');%显示原始图像直方图
subplot(223); imshow(g2); xlabel('b).Gamma Transformations \gamma = 0.4');
subplot(224),imhist(g2),title('增强图像直方图');%显示原始图像直方图 function dst_img=myExpEnhance(src_img,Gamma)
src_img = mat2gray(src_img,[0 255]);%将图像矩阵A中介于amin和amax的数据归一化处理， 其余小于amin的元素都变为0， 大于amax的元素都变为1。
C = 1;
g2 = C*(src_img.^Gamma);
%反归一化
max=255;
min=0;
dst_img=uint8(g2*(max-min)+min);clc;
close all;
clear all;
%-------------Log Transformations-----------------
f = imread('seed.tif');
g_1 = myLogEnhance(f,10);
g_2 = myLogEnhance(f,100);
g_3 = myLogEnhance(f,200);
figure();
subplot(2,2,1);
imshow(f);xlabel('a).Original Image');
subplot(2,2,2);
imshow(g_1);xlabel('b).Log Transformations v=10');
subplot(2,2,3);
imshow(g_2);xlabel('c).Log Transformations v=100');
subplot(2,2,4);
imshow(g_3);
xlabel('d).Log Transformations v=200');function dst_img=myLogEnhance(src_img,v)
c=1.0;
src_img = mat2gray(src_img,[0 255]);
g =c*log2(1 + v*src_img)/log2(v+1);
%反归一化
max=255;
min=0;
dst_img=uint8(g*(max-min)+min);
。输出范围大致为【0-1】，为了精确起见，使用mat2gray函数将其归一化到精确的[0-1]。调用格式如下。
clc;
close all;
clear all;
I=imread('seed.tif');
[m,n,k]=size(I);
figure (1)
imshow('seed.tif');title(' 原图像');
mid=mean(mean(I));
%横轴
fa=20; fb=80;
%纵轴
ga=50; gb=230;
J=myLinearEnhance(I,fa,fb,ga,gb);
figure (2)
imshow(J);title(' 线性拉伸图像');
pixel_f=1:256;
pixel_g=zeros(1,256);
%三段斜率,小于1表示该段将会被收缩
k1=double(ga/fa);
k2=(gb- ga)/(fb- fa);
k3=(256- gb)/(256- fb);
for i=1:256
if i <= fa
pixel_g(i)= k1*i;
elseif fa < i && i <= fb
pixel_g(i)= k2*( i- fa)+ ga;
else
pixel_g(i)= k3*( i - fb)+ gb;
end
end
figure (3)
plot(pixel_f,pixel_g);function dst_img=myLinearEnhance(src_img,fa,fb,ga,gb)
[height,width] = size(src_img);
dst_img=uint8(zeros(height,width));
src_img=double(src_img);
%三段斜率
k1=ga/fa;
k2=(gb- ga)/(fb- fa);
k3=(255- gb)/(255- fb);
for i=1:height
for j=1:width
if src_img(i,j) <= fa
dst_img(i,j)= k1*src_img(i,j);
elseif fa < src_img(i,j) && src_img(i,j) <= fb
dst_img(i,j)= k2*( src_img(i,j)- fa)+ ga;
else
dst_img(i,j)= k3*( src_img(i,j)- fb)+ gb;
end
end
end
dst_img=uint8(dst_img); 附录网上的另一份讲解：
直方图均衡化算法分为三个步骤，第一步是统计直方图每个灰度级出现的次数，第二步是累计归一化的直方图，第三步是计算新的像素值。
第一步：
for(i=0;i<height;i++)
for(j=0;j<width;j++)
n[s[i][j]]++;
for(i=0;i<L;i++)
p[i]=n[i]/(width*height);
这里，n[i]表示的是灰度级为i的像素的个数，L表示的是最大灰度级，width和height分别表示的是原始图像的宽度和高度，所以，p[i]表示的就是灰度级为i的像素在整幅图像中出现的概率(其实就是p[]这个数组存储的就是这幅图像的归一化之后的直方图)。
第二步：
for(i=0;i<=L;i++)
for(j=0;j<=i;j++)
c[i]+=p[j];
c[]这个数组存储的就是累计的归一化直方图。
第三步：
max=min=s[0][0];
for(i=0;i<height;i++)
for(j=0;j<width;j++)
if(max<s[i][j]){
max=s[i][j];
}else if(min>s[i][j]){
min=s[i][j];
}
找出像素的最大值和最小值。
for(i=0;i<height;i++)
for(j=0;j<width;j++)
t[i][j]=c[s[i][j]]*(max-min)+min;
t[][]就是最终直方图均衡化之后的结果。
收录优秀代码：
这份代码写得不错，学习了，原博客地址见参考资源【3】！
#include <stdio.h>
#include <iostream>
#include "fftw3.h"
#include "string"
#include "vector"
#include <windows.h>
#include <opencv2/legacy/legacy.hpp>
#include <opencv2/nonfree/nonfree.hpp>//opencv_nonfree模块：包含一些拥有专利的算法，如SIFT、SURF函数源码。
#include "opencv2/core/core.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/highgui/highgui.hpp"
#include <opencv2/nonfree/features2d.hpp>
using namespace cv;
using namespace std;
class hisEqt
{
public:
hisEqt::hisEqt();
hisEqt::~hisEqt();
public:
int w;
int h;
int nlen;
int *pHis;
float *pdf;
//=====求像素分布概率密度====
void getPdf();
//======统计像素个数=======
void getHis(unsigned char*imgdata);
//==========画统计分布直方图===============
void drawHistogram(const float*pdf,Mat &hist1);
//===========直方图均衡化==========
void hisBal();
//====直方图均衡化后的图像===
void imgBal(unsigned char* img);
};
hisEqt::hisEqt() :nlen(0){
pHis = new int[256 * sizeof(int)];
memset(pHis, 0, 256 * sizeof(int));
pdf = new float[255 * sizeof(float)];
memset(pdf, 0, 255 * sizeof(float));
}
hisEqt::~hisEqt(){
delete[]pHis;
delete[]pdf;
}
//======统计像素个数=======
void hisEqt::getHis(unsigned char*imgdata){
for (int i = 0; i<nlen; i++)
{
pHis[imgdata[i]]++;
}
}
//=====求像素分布概率密度====
void hisEqt::getPdf(){
for (int k = 0; k<256; k++)
{
pdf[k] = pHis[k] / float(nlen);
}
}
//===========直方图均衡化==========
void hisEqt::hisBal(){
for (int k = 1; k<256; k++)
{
pdf[k] += pdf[k - 1];
}
for (int k = 0; k<256; k++)
{
pHis[k] = 255 * pdf[k];
}
}
//====直方图均衡化
void hisEqt::imgBal(unsigned char* img){
for (int i = 0; i<nlen; i++)
{
img[i] = pHis[img[i]];
}
}
void hisEqt::drawHistogram(const float *pdf, Mat& hist1){
for (int k = 0; k<256; k++)
{
if (k % 2 == 0)
{
Point a(k, 255), b(k, 255 - pdf[k] * 2550);
line(hist1,
a,
b,
Scalar(0, 0, 255),
1);
}
else
{
Point a(k, 255), b(k, 255 - pdf[k] * 2550);
line(hist1,
a,
b,
Scalar(0, 255, 0),
1);
}
}
}
int main()
{
Mat image = imread("Fig0651(a)(flower_no_compression).tif");
if (!image.data)
return -1;
Mat hist2(256, 256, CV_8UC3, Scalar(0, 0, 0));
Mat hist1(256, 256, CV_8UC3, Scalar(0, 0, 0));
Mat imgOut = Mat(image.rows, image.cols, CV_8UC3, Scalar(0, 0, 0));
vector<Mat> planes;
int chn = image.channels();
if (chn == 3)
{
split(image, planes);
}
while (chn)
{
chn--;
unsigned char* imageData = new unsigned char[sizeof(unsigned char)*(image.cols*image.rows)];
memcpy(imageData, planes[chn].data, planes[chn].cols*planes[chn].rows);
hisEqt his;//自定义的类
his.nlen = image.rows*image.cols;
his.getHis(imageData);
his.getPdf();
// //======画原图直方图并保存============
his.drawHistogram(his.pdf, hist1);
string pic_name = "hisline";
pic_name = pic_name + to_string(chn);
pic_name=pic_name+ ".jpg";
imwrite(pic_name, hist1);
his.hisBal();
his.getPdf();
// //======画均衡化后直方图并保存============
his.drawHistogram(his.pdf, hist2);
string pic_name0 = "his_balanceline";
pic_name0 = pic_name0 + to_string(chn);
pic_name0 = pic_name0 + ".jpg";
imwrite(pic_name0, hist2);
// //=====图像均衡化===
his.imgBal(imageData);
memcpy(planes[chn].data, imageData, planes[chn].cols*planes[chn].rows);
delete[] imageData;
imageData = NULL;
}
merge(planes, imgOut);//单通道合并
imwrite("result.jpg", imgOut);
return 0;
}
【1】http://blog.csdn.net/xiajun07061225/article/details/6910129
【2】数字图像处理，冈萨雷斯著
【3】http://blog.csdn.net/bettyshasha/article/details/46940805
【4】http://blog.csdn.net/terryzero/article/details/6043821
【5】http://www.myexception.cn/image/1450848.html