自适应直方图均衡化的详细过程以及公式推导
时间: 2023-12-12 13:04:26 浏览: 34
自适应直方图均衡化(Adaptive Histogram Equalization,AHE)是一种用于图像增强的技术。它不同于全局直方图均衡化(Histogram Equalization,HE)仅仅对整张图像进行均衡化,而是根据图像局部区域的灰度分布来进行局部均衡化,以达到更好的增强效果。
下面是自适应直方图均衡化的详细过程:
1. 将原始图像分割成若干个重叠的区域或块。
2. 对每个区域或块进行直方图均衡化,得到均衡化后的图像块。
3. 将所有均衡化后的图像块拼接起来,得到最终的增强图像。
公式推导:
设原始图像为 $f(x,y)$,均衡化后的图像为 $g(x,y)$,$M$ 为图像宽度,$N$ 为图像高度,$H_i$ 为第 $i$ 个灰度级的像素数。
全局直方图均衡化的公式为:
$$
G_i = \frac{\sum_{j=0}^i H_j}{MN}
$$
其中,$G_i$ 为第 $i$ 个灰度级的累计分布函数(Cumulative Distribution Function,CDF),$MN$ 为图像像素总数。
而自适应直方图均衡化的公式为:
$$
G_{i,m,n} = \frac{\sum_{j=0}^i H_{j,m,n}}{S_{m,n}}
$$
其中,$G_{i,m,n}$ 表示第 $m$ 行、第 $n$ 列的块中第 $i$ 个灰度级的 CDF,$H_{j,m,n}$ 表示第 $m$ 行、第 $n$ 列的块中第 $j$ 个灰度级的像素数,$S_{m,n}$ 表示第 $m$ 行、第 $n$ 列的块中的像素总数。
均衡化后的像素值计算公式为:
$$
g_{m,n}(x,y) = G_{f(x,y),m,n} \cdot L
$$
其中,$L$ 为像素的灰度级数。
以上就是自适应直方图均衡化的详细过程和公式推导。