数字图像处理(3)

数字图像处理(三)

空间域处理 Spatial Domain Processing

For 1 x1 neighbourhood:

左图:对比度拉伸 (Contrast-stretching function):横坐标r代表原始图像颜色,s为修改后的颜色。对于图像中绝大多数中等亮度的像素(中间那段陡峭的部分),它会把暗的压得更暗,亮的提得更亮,从而拉开它们之间的差距。而对于极暗或极亮的像素(曲线两端平缓的部分),则变化不大。

右图:阈值处理 (Thresholding function):

  • 只要原来的像素比 kk 暗,不管它是深灰还是浅灰,统统变成纯黑(最底下的线)。
  • 只要原来的像素比 kk 亮,不管它是浅灰还是亮白,统统变成纯白(最上面的线)。

For w x w neighbourhood: 如果要考虑一旁的像素对于选择的像素点的影响,可以选择filtering/mask/kernel/window/template processing的方式。


Intensity transformation

这张图是一个“图像调色工具箱”。它展示了6种最基础的灰度变换曲线。

  • 横轴(Input intensity level, r):你原始照片的亮度(从最暗0到最亮L-1)。
  • 纵轴(Output intensity level, s):你修图后照片的亮度。
  • 图中的每一条线,都代表一种“修图规则”。

L代表的是灰度的总级数(总数),对于 8 位图像,L=256。所以,图像的最高亮度(纯白)就是 也就是256-1=255,这里将L划分成了4个灰度等级。

例如对角线:Identity(恒等变换)保持不变;log中将L/4变成了约3L/4,图像从暗变亮,n次方根也是变亮;nth power(n次幂)和Inverse log(反对数)使图像变暗;negative使图像颜色反转。


幂律变换(Power-law transform)

  • r 是输入(原图亮度)。
  • s 是输出(修图后亮度)。
  • γ(伽马):这是最重要的一个指数,它决定了曲线怎么弯。
  • c 和 ε:这是为了数学计算方便的微调参数(保证输入0能输出0,输入最大值能输出最大值),在理解原理时可以直接忽略

原理和上图类似:

  • 想让暗的地方变亮?找 γ<1 的线。
  • 想让亮的地方变暗?找 γ>1 的线。
  • γ 偏离 1 越远,效果越夸张。

Gamma correction:

例如我在手机上的原始照片,伽马值为1,此时传给我的显示屏。现实世界里的显示器(无论是老式的CRT还是现在的LCD),它的物理发光特性不是线性的。给它输入一个 128 的中间值,它不会发出真正一半亮度的光,而是会偏暗。假定其伽马值为2.5,现在要怎么做才能得到一样的图片呢?就是先将手机图片的伽马值调低,例如先给它加上一个 γ=0.4以便提亮。然后此时再通过显示器变暗就能得到原始图像。

Reasons for applying gamma correction:

• Mismatch between display and HVS

Human Visual System,人类视觉系统我们人的眼睛对亮度的感知也不是线性的,在很亮的环境里,亮度增加很多,我们反而觉得差别不大。人类的眼睛对暗部的变化更敏感;Display(显示器):就像我们上一节讲的,物理屏幕(无论是手机还是电脑)在显示亮度时,它的输入电信号和实际发出的光强不是线性的。它天生自带一个“伽马值”(通常约等于2.2),倾向于把画面压暗。因为显示器和“人眼不一样,如果直接把图像数据丢给显示器,人眼看到的画面就会觉得不对劲(比如暗部死黑一片)。

• Underexposure

照片拍得太暗了(比如背光拍摄,或者晚上光线不好)。

• Overexposure

照片拍得太亮了(比如在雪地里、或者对着太阳拍)。


对比度扩展 Contrast stretching

CS(contrast stretching),使用第一张图中的规则,使照片不再灰蒙。原本模糊的细节变得清晰了。黑的地方变黑了,白的地方变白了。最重要的是,照片依然保留着正常的灰度过渡(看起来像一张正常的黑白照片)。

阈值处理 (Thresholding):直接低于设定的阈值部分全部为纯黑,高于阈值为纯白。


直方图

\[\begin{aligned}&h(r_k)=n_k,\quad r_k\in[0,M*N]\\&p(r_k)=\frac{n_k}{n}=\frac{1}{M*N}n_k&&\text{Normalised}\\&&&\mathrm{histogram}\end{aligned} \]

直方图h(rk)

  • 假设 rk是某一种亮度值(比如灰度值 128)。
  • nk就是整张照片里,亮度正好等于 128 的像素总共有多少个。
  • 所以,这个公式的意思就是:直方图(h)记录的就是每个亮度(rk)下,有多少个像素(nk)。

Normalised histogram(归一化直方图):算出来的结果变成了一个 0 到 1 之间的小数。代表每一个亮度下像素的分布情况

利用直方图来修图时的范围:

  • Global(全局处理):
    把整张照片的所有像素拉过来,统计出一个总直方图。然后根据这个总的情况,去统一调整整张照片的明暗(比如全局对比度拉伸,或者之后要讲的直方图均衡化)。
    • 缺点:如果照片里某一块区域特别暗,其他地方正常,全局处理可能会让正常的区域过曝,或者对暗的区域改善不够。
  • Local(局部处理):
    不看整张照片,而是把照片分成很多小块(比如 50×50像素的小格子)。针对每一个小格子,算出它自己的直方图,然后单独提亮或压暗这一小块区域。
    • 优点:能看清阴影里的细节,同时不破坏亮部。现代手机拍照里的 HDR 模式 其实就是一种高级的局部直方图处理。

直方图均衡化(Histogram Equalisation)

  • First assume continuous case(首先假设是连续的情况):现实中的数字图像是离散的(一个个像素点),但为了推导数学公式,教材先假设图像是像胶片一样平滑连续的,再应用到离散的电脑图像上。
  • Seek for a suitable transform (Except for negative)(寻找一个合适的变换,底片反转除外):我们在寻找一个完美的修图函数,但不包括把黑变白、白变黑的底片效果,因为那不是用来增强对比度的。

核心公式:

\[s=T(r) \]

\[\begin{aligned}&\bullet r=\text{输入亮度(原图)}\\&\bullet s=\text{输出亮度(修图后)}\\&\bullet T=\text{变换规则(也就是你画的那条曲线)}\end{aligned} \]

变化函数必须满足如下几个规则:

T(0)=0,T(1)=1,纯黑白的地方经过变化后依然是纯黑白;T(r)大于等于0,也就是说输出的亮度不能是负数,

T'(r)一定大于等于0,说明这表示曲线只能一直往上走(或者平着走),严格单调递增,只能上升。

点处理是如何改变直方图的:

\[\begin{cases}s=T(r)\\r=T^{-1}(s)&\end{cases}\Longrightarrow P_s(s)=P_r(r)|\frac{dr}{ds}| \]

  • s=T(r):这是我们之前一直用的公式。给你一个原图的亮度r,经过规则 T,变成新亮度 s。

  • r=T−1(s):这是它的反函数。意思是,如果你想得到新亮度 s,你需要去原图里找哪个亮度 r 来变。

  • r:原图的像素灰度值。

  • s:变换后的像素灰度值。

  • T(r):变换函数(比如把暗的地方提亮)。

  • Pr(r):原图的概率密度(原直方图)。

  • Ps(s):变换后的概率密度(新直方图)。

新图的分布 = 原图的分布 × 拉伸放缩倍数:

\[\frac{dr}{ds}\text{ 是一个导数,在图像处理里,它代表“拉伸率”或“压缩率”。} \]

不管怎么变换(把 r 变成 s),某个区间内的像素总数(也就是概率)是不会变的。原来在 r 附近有多少像素,变换后对应在 s 附近就应该有多少像素。

\[\begin{aligned}&\text{假设在 }r\text{ 轴上取一个极小的微元区间 }dr。\\&\text{这部分区间对应的概率是:}P_r(r)\cdot dr\text{(底乘高)。}\\&\text{变换到 }s\text{ 轴上,对应的区间变成了 }ds。\\&\text{这部分区间对应的概率是:}P_s(s)\cdot ds\mathrm{。}\end{aligned} \]

所以变换前后的像素占总像素的比例保持一致:

\[P_s(s)\cdot|ds|=P_r(r)\cdot|dr| \]


直方图均衡化(Histogram Equalisation)的推导页。它要回答一个问题:能不能找到一个灰阶变换 s = T(r),让输出图像的直方图变成平的一条线(每个灰阶出现次数一样多)?答案是能,而且那个变换就是累积分布函数 (CDF)。

\[\text{Case 1: }0\leq r,s\leq1.\text{ Now Let's look at a particular transformation function:} \]

\[s=T(r)=\int_0^rP_r(w)dw \]

  • 这是直方图均衡化的核心定义。

  • 这个公式的意思是:新的像素值 s,等于原图概率密度函数从 0 到 r的积分(也就是累积分布函数 CDF)。

  • 物理意义: 这个公式实际上是在计算“原图中灰度值从 0 到 r 的像素所占的比例”。

概况:其实是因为我们想要新的Ps直方图恒定为1,反推出来dr/ds与Pr(r)之间的关系,Pr(r)的积分为T(r),再求导后为Pr(r),所以才有转换函数T(r)就是为Pr(r)的积分。所以根据这个公式,就能把所有的概率在[0,1]上平均分布。

需注意,这里是连续的公式


离散情况下的histogram equalisation,下面的式子代表需要达成的目标:

\[s=T(r)=\int_o^rp_r(w)dw\Rightarrow P_s(s)\approx U(0,1) \]

\[\begin{aligned}&\mathrm{或者说~}U(0,L\mathrm{-}1)\mathrm{~for}\\&0\leq r,s\leq L\mathrm{-}1:\end{aligned} \]

根据离散求和公式(核心公式):

\[S_k=T(r_k)=\sum_{j=0}^kP_r(r_j)=\sum_{j=0}^k\frac{n_j}{N},\quad k=0,1,...,L-1 \]

\[\begin{aligned}&\bullet S_k:\text{ 表示原图中灰度级为 }r_k\text{ 的像素,经过变换后映射到的新灰度值(在连续公式里叫 }s\text{,这里加个下标}\\&k\text{ 表示离散的第 }k\text{ 个灰度级)。}\\&\bullet r_k:\text{ 原图的第 }k\text{ 个灰度级(比如 }r_0=0,r_1=1,\ldots)。\end{aligned} \]

\[\begin{aligned}\bullet&\sum_{j=0}^{k}\text{:把连续的“积分}\int\text{”变成了“求和}\sum\text{”。意思是:把从最暗灰度(0)到当前灰度(}k\text{)的所有概率加起}\\&\text{来。这就是离散版的累积分布函数(CDF)。}\end{aligned} \]

\[\begin{aligned}&\bullet P_{r}(r_{j})\text{:原图中灰度级 }r_{j}\text{ 出现的概率。}\\&\bullet\frac{n_{j}}{N}\text{:概率的具体计算方法。}n_{j}\text{ 是灰度值为 }j\text{ 的像素个数,}N\text{ 是图像的总像素个数。所以 }P_{r}(r_{j})=\frac{n_{j}}{N}\end{aligned} \]

Or simply:

\[S_k=T(r_k)=(L-1)\sum_{j=0}^kP_k(r_j) \]

这里的 Pk 其实指代的就是“当前处理的灰度级”,所以 Pk(rj)和 Pr(rj) 在这里表达的是同一个意思。

原来的像素数量 nk 会根据上面的表,被搬到新的灰度级去。

  • 新灰度 1 接收了:原灰度0的像素。数量 = 790
  • 新灰度 2 接收了:无。数量 = 0
  • 新灰度 3 接收了:原灰度1的像素。数量 = 1023
  • 新灰度 4 接收了:无。数量 = 0
  • 新灰度 5 接收了:原灰度2的像素。数量 = 850
  • 新灰度 6 接收了:原灰度3和4的像素。数量 = 656 + 329 = 985
  • 新灰度 7 接收了:原灰度5、6、7的像素。数量 = 245 + 122 + 81 = 448

然后算概率分布就能得到该图像。

posted @ 2026-10-11 00:07  narilove  阅读(16)  评论(0)    收藏  举报