【数字图像处理】实验二 直方图均衡（vs2017+opencv）

版权声明：本文为博主原创文章，转载请标明出处 https://blog.csdn.net/C2681595858/article/details/82869787

代码包： 直方图均衡处理

一、实验原理

上述表达式， $r_k$表示输入的灰度级k， $s_k$表示对应输出的灰度级k, $n_j$表示输入图像中灰度级为K的像素个数。M和N分别是输入图像的长宽。L是灰度级。

二、设计思路

• 上面的式子是对灰度图像处理的方法。但是我们一般处理的既有灰度图像也有彩色图像。所以如果是彩色图像我们要分别统计彩色图像R，G，B三者在各个灰度级上的像素数。然后进行处理。
• 设计一个类如下：

#include <string>
#include <opencv2/core/core.hpp>
#include <iostream>
#define LEAVE 256//灰度级
using namespace cv;

class Equalization {
public:
	//初始化各个私有成员。
	Equalization();
	//设置要处理的图片
	void setImage(Mat &image_in );
	//分别对图片的RGB值进行直方图统计
	void statistic();
	//对原图进行均衡处理
	Mat queProcess();
private:
	//三个私有变量分别统计channel 0, 1,2的灰度级的像素个数
	int statistic_R[LEAVE];
	int statistic_G[LEAVE];
	int statistic_B[LEAVE];
	//将要处理的图像
	Mat image;
};

三、实验过程

• 下面需要注意的是数据类型的转换，如果只将const_num定义为double类型，而不管后面运算数的类型。编译器会直接拿int类型的数据去计算，得到的结果当然不一定是整数，但是编译器会直接把算得的值当作int来处理。就算你声明的const_num是double类型，也不管用。**所以在进行除运算之前要先将int类型强制转换为double类型。**就这句double const_num = (double)(LEAVE - 1) /(double) (this->image.cols*this->image.rows);
• 还有一点是计算上面的 $s_k$的时候，结果是小数double类型，但我们最终需要的是int类型，所以要进行类型转换。但是直接强制类型转换会截取整数部分，不管小数部分的大小。而为了转换准确一点，我们最好采用四舍五入，就是给每个计算结果加上0.5，这样小数部分大于等于0.5的数，其整数就会被加一，然后进行强制类型转换，达到四舍五入的目的。

#include "Equalization.h"
//初始化各个私有成员。
Equalization::Equalization()
{
	memset(this->statistic_R, 0, LEAVE*sizeof(int));
	memset(this->statistic_G, 0, LEAVE * sizeof(int));
	memset(this->statistic_B, 0, LEAVE * sizeof(int));
}

//设置要处理的图片的路径
void Equalization::setImage(Mat &image_in)
{
	this->image = image_in;
}

//分别对图片的RGB值进行直方图统计
void Equalization::statistic()
{
	for (int counter1 = 0; counter1 < this->image.rows; counter1++)
	{
		for (int counter2 = 0; counter2 < this->image.cols; counter2++)
		{
			//数组下标代表灰度值，里面存储的数是该灰度值对应的像素数
			if (this->image.channels() == 1)//如果是灰度图像
			{
				this->statistic_R[this->image.at<uchar>(counter1, counter2)]++;
			}
			else//如果是彩色图像
			{
				this->statistic_R[this->image.at<Vec3b>(counter1, counter2)[0]]++;
				this->statistic_G[this->image.at<Vec3b>(counter1, counter2)[1]]++;
				this->statistic_B[this->image.at<Vec3b>(counter1, counter2)[2]]++;
			}
			
			
		}
	}
}
//对原图进行均衡处理
Mat Equalization::queProcess()
{
	/*计算原来的各个灰度值经过均衡以后应该变成多少
	temp数组下标代表原先图像的灰度值
	temp中存储的数是变换后各个灰度值对应的灰度值
	*/
	int temp_R[LEAVE], temp_G[LEAVE], temp_B[LEAVE];
	memset(temp_R, 0, LEAVE * sizeof(int));
	memset(temp_G, 0, LEAVE * sizeof(int));
	memset(temp_B, 0, LEAVE * sizeof(int));
	int sumR = 0, sumB = 0, sumG = 0;
	double const_num = (double)(LEAVE - 1) /(double) (this->image.cols*this->image.rows);
	for (int counter0 = 0; counter0 < LEAVE; counter0++)
	{
		if (this->image.channels() == 1)
		{
			sumR += this->statistic_R[counter0];
			temp_R[counter0] = (int)(const_num * sumR + 0.5);
		}
		else
		{
			sumR += this->statistic_R[counter0];
			sumG += this->statistic_G[counter0];
			sumB += this->statistic_B[counter0];

			//进行四舍五入
			temp_R[counter0] = (int)(const_num * sumR + 0.5);
			temp_G[counter0] = (int)(const_num * sumG + 0.5);
			temp_B[counter0] = (int)(const_num * sumB + 0.5);
		}
	}
	Mat imEqu;
	if (image.channels() == 1)
	{
		Mat imEqu1(this->image.rows, this->image.cols, CV_8UC1);
		imEqu1.copyTo(imEqu);
	}
	else
	{
		Mat imEqu1(this->image.rows, this->image.cols, CV_8UC3);
		imEqu1.copyTo(imEqu);
	}
		
	
		//逐个像素进行处理
	for (int counter1 = 0; counter1 < this->image.rows; counter1++)
	{
		for (int counter2 = 0; counter2 < this->image.cols; counter2++)
		{
			if (this->image.channels() == 1)
			{
				imEqu.at<uchar>(counter1, counter2) = temp_R[image.at<uchar>(counter1, counter2)];
			}
			else
			{
				imEqu.at<Vec3b>(counter1, counter2)[0] = temp_R[image.at<Vec3b>(counter1, counter2)[0]];
				imEqu.at<Vec3b>(counter1, counter2)[1] = temp_G[image.at<Vec3b>(counter1, counter2)[1]];
				imEqu.at<Vec3b>(counter1, counter2)[2] = temp_B[image.at<Vec3b>(counter1, counter2)[2]];
			}
		}
	}
	return imEqu;
}

四、结果分析

• 这里顺便贴出main函数：

#include "Equalization.h"
#include <opencv2/highgui/highgui.hpp>
int main()
{
	namedWindow("原图", CV_WINDOW_AUTOSIZE);
	Mat image1 = imread("pic.jpg", CV_LOAD_IMAGE_GRAYSCALE);
	imshow("原灰度图", image1);
	Equalization equ1;
	equ1.setImage(image1);
	equ1.statistic();
	Mat new_im1 = equ1.queProcess();

	imshow("变换后灰度图像", new_im1);
	//直方图均衡

	Mat image = imread("pic2.jpg", CV_LOAD_IMAGE_COLOR);

	
	imshow("原彩色图", image);

	Equalization equ;
	equ.setImage(image);
	equ.statistic();
	Mat new_im = equ.queProcess();

	imshow("变换后彩色图像", new_im);
	waitKey(0);
	return 0;
}

• 处理结果：
  灰度图像：
  
  
  【原图】
  
  【处理后图像】

五、实验心得

• 基本都写在前面了
• 欢迎大家在评论中探讨、斧正。