彩色图像自动色阶调整和自动对比度调整

其他 2018-07-17 02:11:55 阅读次数: 0

1.自动色阶调整

算法原理：

（1）分别统计每个通道的灰度直方图;
（2）对每个通道,利用LowCut和HighCut，计算灰度最小值min和最大值max;
（3）对每个通道分别建立分段线性拉伸查找表,
f(g) = 0 g<=min
f(g) = 255 g>=max
f(g) = ((g-min)/(max-min)) * 255 min<g<max
（4）对每个通道利用相应的查找表进行分段线性拉伸,得到效果图。

2.自动对比度调整

算法原理：

（1）分别统计每个通道的灰度直方图;
（2）对每个通道，利用LowCut和HighCut，分别计算灰度最小值和最大值,取三个通道最小值中最小者作为最小值min,取三个通道最大值中最大者为最大值max;
（3）对每个通道建立统一的分段线性拉伸查找表,
f(g) = 0 g<=min
f(g) = 255 g>=max
f(g) = ((g-min)/(max-min)) * 255 min<g<max

（4）对每个通道利用统一的查找表进行分段线性拉伸,得到效果图。


3.区别

两者的区别主要是取最大值最小值的不同，自动色阶每个通道取的是当前通道的最大值最小值，而自动对比度取的是三个通道之最。

根据这个区别，不难推测出它们在效果上的一个区别：自动对比度不会改变RGB之间的大小顺序，而自动色阶有可能改变RGB之间的大小顺序。

参考博客：

http://www.cnblogs.com/Imageshop/archive/2011/11/13/2247614.html

博客中提到这两个算法主要是参考PS中的功能。做图像处理的，不会PS，确实有点说不过去，有时间我还是要学习一下PS。

然后针对其中的一些功能，用opencv实现一下，肯定能有很多收获。（待做事件）


4.OpenCV实现

（1）自动色阶

/*
	*函数功能：自动色阶调整（仿照PS功能）
	*输入参数：src	输入彩色图像
	*输出参数：dst	输出调整色阶之后的彩色图像
	*返回值：void
	*算法步骤：
		（1）分别统计每个通道的灰度直方图;
		（2）对每个通道,利用LowCut和HighCut，计算灰度最小值min和最大值max;
		（3）对每个通道分别建立分段线性拉伸查找表,
			f(g) = 0		g<=min
			f(g) = 255		g>=max
			f(g) = ((g-min)/(max-min)) * 255		min<g<max
		（4）对每个通道利用相应的查找表进行分段线性拉伸,得到效果图。
		http://www.cnblogs.com/Imageshop/archive/2011/11/13/2247614.html
*/
void AutoLevelsAdjust(cv::Mat &src, cv::Mat &dst)
{
	CV_Assert(!src.empty() && src.channels() == 3);

	//统计灰度直方图
	int BHist[256] = { 0 };	//B分离
	int GHist[256] = { 0 };	//G分量
	int RHist[256] = { 0 };	//R分量
	cv::MatIterator_<Vec3b> its, ends;
	for (its = src.begin<Vec3b>(), ends = src.end<Vec3b>(); its != ends; its++)
	{
		BHist[(*its)[0]]++;
		GHist[(*its)[1]]++;
		RHist[(*its)[2]]++;
	}

	//设置LowCut和HighCut
	float LowCut = 0.5;
	float HighCut = 0.5;

	//根据LowCut和HighCut查找每个通道最大值最小值
	int BMax = 0, BMin = 0;
	int GMax = 0, GMin = 0;
	int RMax = 0, RMin = 0;

	int TotalPixels = src.cols * src.rows;
	float LowTh = LowCut * 0.01 * TotalPixels;
	float HighTh = HighCut * 0.01 * TotalPixels;

	//B通道查找最小最大值
	int sumTempB = 0;
	for (int i = 0; i < 256; i++)
	{
		sumTempB += BHist[i];
		if (sumTempB >= LowTh)
		{
			BMin = i;
			break;
		}
	}
	sumTempB = 0;
	for (int i = 255; i >= 0; i--)
	{
		sumTempB += BHist[i];
		if (sumTempB >= HighTh)
		{
			BMax = i;
			break;
		}
	}

	//G通道查找最小最大值
	int sumTempG = 0;
	for (int i = 0; i < 256; i++)
	{
		sumTempG += GHist[i];
		if (sumTempG >= LowTh)
		{
			GMin = i; 
			break;
		}
	}
	sumTempG = 0;
	for (int i = 255; i >= 0; i--)
	{
		sumTempG += GHist[i];
		if (sumTempG >= HighTh)
		{
			GMax = i;
			break;
		}
	}

	//R通道查找最小最大值
	int sumTempR = 0;
	for (int i = 0; i < 256; i++)
	{
		sumTempR += RHist[i];
		if (sumTempR >= LowTh)
		{
			RMin = i;
			break;
		}
	}
	sumTempR = 0;
	for (int i = 255; i >= 0; i--)
	{
		sumTempR += RHist[i];
		if (sumTempR >= HighTh)
		{
			RMax = i;
			break;
		}
	}

	//对每个通道建立分段线性查找表
	//B分量查找表
	int BTable[256] = { 0 };
	for (int i = 0; i < 256; i++)
	{
		if (i <= BMin)
			BTable[i] = 0;
		else if (i > BMin && i < BMax)
			BTable[i] = cvRound((float)(i - BMin) / (BMax - BMin) * 255);
		else
			BTable[i] = 255;
	}

	//G分量查找表
	int GTable[256] = { 0 };
	for (int i = 0; i < 256; i++)
	{
		if (i <= GMin)
			GTable[i] = 0;
		else if (i > GMin && i < GMax)
			GTable[i] = cvRound((float)(i - GMin) / (GMax - GMin) * 255);
		else
			GTable[i] = 255;
	}

	//R分量查找表
	int RTable[256] = { 0 };
	for (int i = 0; i < 256; i++)
	{
		if (i <= RMin)
			RTable[i] = 0;
		else if (i > RMin && i < RMax)
			RTable[i] = cvRound((float)(i - RMin) / (RMax - RMin) * 255);			
		else
			RTable[i] = 255;
	}

	//对每个通道用相应的查找表进行分段线性拉伸
	cv::Mat dst_ = src.clone();
	cv::MatIterator_<Vec3b> itd, endd;
	for (itd = dst_.begin<Vec3b>(), endd = dst_.end<Vec3b>(); itd != endd; itd++)
	{
		(*itd)[0] = BTable[(*itd)[0]];
		(*itd)[1] = GTable[(*itd)[1]];
		(*itd)[2] = RTable[(*itd)[2]];
	}

	dst = dst_;	
}

（2）自动对比度

/*
	*函数功能：自动对比度调整（仿照PS功能）
	*输入参数：src	输入彩色图像
	*输出参数：dst	输出调整色阶之后的彩色图像
	*返回值：void
	*算法步骤：
	（1）分别统计每个通道的灰度直方图;
	（2）对每个通道，利用LowCut和HighCut，分别计算灰度最小值和最大值,取三个通道最小值中
	最小者作为最小值min,取三个通道最大值中最大者为最大值max;
	（3）对每个通道建立统一的分段线性拉伸查找表,
		f(g) = 0		g<=min
		f(g) = 255		g>=max
		f(g) = ((g-min)/(max-min)) * 255		min<g<max
	（4）对每个通道利用统一的查找表进行分段线性拉伸,得到效果图。
	http://www.cnblogs.com/Imageshop/archive/2011/11/13/2247614.html
*/
void AutoContrastAdjust(cv::Mat &src, cv::Mat &dst)
{
	CV_Assert(!src.empty() && src.channels() == 3);

	//统计灰度直方图
	int BHist[256] = { 0 };
	int GHist[256] = { 0 };
	int RHist[256] = { 0 };
	cv::MatIterator_<Vec3b> its, ends;
	for (its = src.begin<Vec3b>(), ends = src.end<Vec3b>(); its != ends; its++)
	{
		BHist[(*its)[0]]++;
		GHist[(*its)[1]]++;
		RHist[(*its)[2]]++;
	}

	//设置LowCut和HighCut
	float LowCut = 0.5;
	float HighCut = 0.5;

	//根据LowCut和HighCut查找每个通道最大值最小值
	int BMax = 0, BMin = 0;
	int GMax = 0, GMin = 0;
	int RMax = 0, RMin = 0;

	int TotalPixels = src.cols * src.rows;
	float LowTh = LowCut * 0.01 * TotalPixels;
	float HighTh = HighCut * 0.01 * TotalPixels;

	//B通道查找最小最大值
	int sumTempB = 0;
	for (int i = 0; i < 256; i++)
	{
		sumTempB += BHist[i];
		if (sumTempB >= LowTh)
		{
			BMin = i; 
			break;
		}
	}
	sumTempB = 0;
	for (int i = 255; i >= 0; i--)
	{
		sumTempB += BHist[i];
		if (sumTempB >= HighTh)
		{
			BMax = i;
			break;
		}
	}

	//G通道查找最小最大值
	int sumTempG = 0;
	for (int i = 0; i < 256; i++)
	{
		sumTempG += GHist[i];
		if (sumTempG >= LowTh)
		{
			GMin = i;
			break;
		}
	}
	sumTempG = 0;
	for (int i = 255; i >= 0; i--)
	{
		sumTempG += GHist[i];
		if (sumTempG >= HighTh)
		{
			GMax = i;
			break;
		}
	}

	//R通道查找最小最大值
	int sumTempR = 0;
	for (int i = 0; i < 256; i++)
	{
		sumTempR += RHist[i];
		if (sumTempR >= LowTh)
		{
			RMin = i;
			break;
		}
	}
	sumTempR = 0;
	for (int i = 255; i >= 0; i--)
	{
		sumTempR += RHist[i];
		if (sumTempR >= HighTh)
		{
			RMax = i;
			break;
		}
	}

	//获取最大值，最小值，与自动色阶的不同之处主要在此，取的是三通道之最
	int Max = std::max(std::max(BMax, GMax), RMax);
	int Min = std::min(std::min(BMin, GMin), RMin);

	//建立统一的分段线性查找表
	int Table[256] = { 0 };
	for (int i = 0; i < 256; i++)
	{
		if (i <= Min)
			Table[i] = 0;
		else if (i > Min && i < Max)
			Table[i] = (int)((float)(i - Min) / (Max - Min) * 255);
		else
			Table[i] = 255;
	}
	
	//对每个通道用统一的查找表进行分段线性拉伸
	cv::Mat dst_ = src.clone();
	cv::MatIterator_<Vec3b> itd, endd;
	for (itd = dst_.begin<Vec3b>(), endd = dst_.end<Vec3b>(); itd != endd; itd++)
	{
		(*itd)[0] = Table[(*itd)[0]];
		(*itd)[1] = Table[(*itd)[1]];
		(*itd)[2] = Table[(*itd)[2]];
	}
	
	dst = dst_;
}

（3）效果


原图


自动色阶效果图


自动对比度效果图

单从这幅图的测试效果来看，没法说自动色阶和自动对比度哪个效果更好。但是两者之间确实存在区别，为了对比一下两者的不同，利用ImageWatch观察一下内部像素值的变化


原图，位置（0000,0416）处的像素值 B |G|R = 213|231|160,    大小关系 G>B>R


自动色阶，位置（0000,0416）处的像素值 B |G|R = 255|254|157,    大小关系 B>G>R，改变了B和G的大小关系


自动对比度，位置（0000,0416）处的像素值 B |G|R = 226|248|160,    大小关系 G>B>R，RGB大小关系不变

小结：如果在图像处理的过程中比较关心RGB之间的大小关系，就不能用自动色阶，而应该用自动对比度。如果不关心RGB的大小关系，就根据实际测试对后续的影响来判断使用哪种处理。

5.扩展

在查询相关资料的时候，看到很多资料提到了彩色图像的直方图均衡化。于是，决定也了解一下彩色图像直方图均衡化的效果，并且与自动对比度进行一下比对。

参考博客：

https://blog.csdn.net/frank_xu_0818/article/details/39232157

（1）RGB空间下分通道直方图均衡化

/*
	 *函数功能：对彩色图像进行直方图均衡化
	 *输入参数：src	输入彩色图像
	 *输出参数：dst	输出均衡化之后的图像
	 *返回值：void
	 *备注：先通道分离，然后对每一通道进行直方图均衡化，最后融合
 */
void ColorEqualizeHist(cv::Mat &src, cv::Mat &dst)
{
	CV_Assert(!src.empty() && src.channels() == 3);
	
	//通道分离
	cv::Mat channels[3];
	cv::split(src, channels);

	//每个通道进行直方图均衡化
	cv::Mat equalizeHistImg[3];
	for (int i = 0; i < 3; i++)
		cv::equalizeHist(channels[i], equalizeHistImg[i]);

	//通道融合
	cv::Mat dst_;
	cv::merge(equalizeHistImg, 3, dst_);

	dst = dst_;
}

（2）转到YCbCr空间下单独对Y通道直方图均衡化

/*
	*函数功能：对彩色图像进行直方图均衡化
	*输入参数：src	输入彩色图像
	*输出参数：dst	输出均衡化之后的图像
	*返回值：void
	*备注：先转到YCbCr颜色空间，然后通道分离，只对灰度通道进行直方图均衡化，
	进行通道融合，最后转回到BGR空间
*/
void EqualizeHistByYCbCr(cv::Mat &src, cv::Mat &dst)
{
	CV_Assert(!src.empty() && src.channels() == 3);

	//BGR颜色空间转换到YCbCr颜色空间
	cv::Mat srcYCbCr;
	cv::cvtColor(src, srcYCbCr, CV_BGR2YCrCb);

	//对YCbCr进行通道分离
	cv::Mat channels[3];
	cv::split(srcYCbCr, channels);

	//对亮度通道进行直方图均衡化
	cv::equalizeHist(channels[0], channels[0]);

	//图像融合
	cv::Mat dst_;
	cv::merge(channels, 3, dst_);

	//将YCbCr颜色空间转换回BGR颜色空间
	cv::cvtColor(dst_, dst_, CV_YCrCb2BGR);

	dst = dst_;
}

（3）效果


RGB直方图均衡化


YCbCr直方图均衡化

小结：RGB分通道均衡化再融合，颜色容易失真，实用性很低。转换为YCbCr再进行对亮度通道均衡化，融合后转回RGB，效果不够稳定。参考博客中的lena图我自己也测了，效果确实不错，但是我测gakki还有别的一幅图，效果不好。

根据我测得一些图，可以发现自动对比度与直方图均衡化相比，自动对比度效果更好，更稳定。


猜你喜欢

转载自blog.csdn.net/weixin_42142612/article/details/80928270
今日推荐
《美国对全球网络空间安全与发展的威胁和破坏》报告发布
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
周排行
循环神经网络（rnn）讲解
Tigao教程四：单独的关节运动
金蝶K3WISE15.0-注册套打教程
如何在Mac上配置Kubernetes
Android应用结束自身进程的方法
SpringMVC学习 十三 拦截器栈
中国驻洛杉矶总领馆举行新春招待会
HttpClient get post 发送
11 - three.js 笔记 - 绘制三维字体模型
Mysql递归获取某个父节点下面的所有子节点和子节点上的所有父节点
每日归档
更多
2024-05-01(4)
2024-04-30(1)
2024-04-29(40)
2024-04-28(0)
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)
2024-04-23(26)
2024-04-22(39)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022