灰度直方图

文章目录 1.线性变换与非线性变换 2.MATLAB的灰度变换函数 灰度变换增强是将图像的对比度从弱变强的过程，所以也通常称为对比度增强。各种因素的限制，导致图像的对比度比较差，图像的直方图分布不够均衡，主要的元素集中在几个像素值附近。通过对比度增强，使得图像中各个像素值尽可能均匀分布或者服从一定形式的分布，从而提高图像的质量。 灰度变换可使图像动态范围增大，对比度得到拓展，使图像清晰、特征明显，是图像增强的重要手段之一。它主要利用点运算来修正像素灰度，由输入像素点的灰度值确定相应输出点的灰度值，是一种基于图像变换的操作。 灰度变换不改变图像内的空间关系，除了灰度级的改变是根据某种特定的灰度函数进行之外，可以看做是‘从像素到像素’的复制操作。 1.线性变换与非线性变换 设原图像为f（x，y），其灰度范围为[a,b]，变换后的图像为g(x,y)，其灰度范围线性扩展至[c,d]，则对于图像中的任一点的灰度值f（x，y），灰度变换后为g（x，y），其数学表达式为 若图像中大部分像素的灰度级分布在区间[a,b]内，maxf为原图的最大灰度级，只有很小一部分的灰度级超过了此区间，则为了改善增强效果，可以令 采用线性变换对图像中每一个像素灰度作线性拉伸，将有效改善图像视觉效果。在曝光不足或曝光过度情况下，图像的灰度可能会局限在一个很小的范围内，这时得到的图像可能是一个模糊不清

区域特征（大多是基于矩的）： 面积、宽、高、宽高比、最小外接矩形（圆）、质心、圆度。 凸包、凸性（0~1，面积/凸包面积，用来测量区域的紧凑程度。通常不想要的结果是高度非凸的）。 紧性（≥1，轮廓周长²/(4π面积)，圆的紧性=1）。凸性适合有拐点的、紧性适合圆滑的。 灰度特征（大多是基于统计学的）： 灰度平均值（整体亮度）、灰度值的方差、灰度值的标准差（测量纹理的多少）。 灰度直方图、灰度累积直方图。 灰度值归一化（降低光照敏感度） 【参考】机器视觉算法与应用，Carsten Steger、Markus Ulrich、Christian Wiedemann著，杨少荣译，清华大学出版社。 来源： https://www.cnblogs.com/xixixing/p/11972602.html

区域特征（大多是基于矩的）： 面积、宽、高、宽高比、最小外接矩形（圆）、质心、圆度。 凸包、凸性（0~1，面积/凸包面积，用来测量区域的紧凑程度。通常不想要的结果是高度非凸的）。 紧性（≥1，轮廓周长²/(4π面积)，圆的紧性=1）。凸性适合有拐点的、紧性适合圆滑的。 灰度特征（大多是基于统计学的）： 灰度平均值（整体亮度）、灰度值的方差、灰度值的标准差（测量纹理的多少）。 灰度直方图、灰度累积直方图。 灰度值归一化（降低光照敏感度） 【参考】机器视觉算法与应用，Carsten Steger、Markus Ulrich、Christian Wiedemann著，杨少荣译，清华大学出版社。 来源： https://www.cnblogs.com/xixixing/p/11972602.html

Welsh等人在Reinhard等人的彩色图像间色彩迁移算法的基础上，提出了灰度图像彩色化的思想，并提出了相应的算法。该算法主要利用查找匹配像素来实现灰度图像的色彩迁移，因为灰度图像只有亮度信息，所以该算法主要通过像素的亮度值匹配，来实现灰度图像的自动彩色化。 具体步骤如下： (1)将参考图像和灰度图像分别由RGB空间转换到lαβ色彩空间。 (2)根据灰度图像的亮度及标准差，对参考图像进行亮度重映射。 由于参考图像和灰度图像的直方图取值不一定在同一范围，那么如果将一幅亮度值很低的参考图像与一幅亮度值很高的目标图像的直方图进行对比将会出现较大的误差。因此，需要对参考图像进行亮度重映射： L = (nl’ / nl)* (l – ml) + ml’ 其中，l是源图像l通道的数据，L是变换后得到新的源图像l通道的值，ml和ml’ 分别是源图像和着色图像的l通道的均值，nl和nl’表示它们的l通道标准方差。 (3)从参考图像中随机选取一批样本点，将像素点的亮度和邻域范围内亮度的标准差的线性组合值作为权值，计算公式如下： W = l/2 + σ/2 其中，w为权值，l为像素点的亮度值，σ为该像素点周围某个邻域内亮度值的标准差。关于邻域的大小，Welsh指出一般取5X5，对个别图像取更大的邻域效果会更好。 (4)按行扫描灰度图像，对于每个像素点，由公式计算其权值

又叫做灰度共现矩阵 Prerequisites 概念 计算方式 对于精度要求高且纹理细密的纹理分布，我们取像素间距为 d = 1 d=1，以下是方向的说明： 我们来看，matlab内置工具箱中的灰度共生矩阵的生成函数graycomatrix（gray-level co-occurrence matrix）对方向的说明： 如上图所示，方向是在每一个像素点（pixel of interest）的邻域（当然，边界点除外）中获得的，只不过这里的坐标系变为了： δ = ( 0 , ± 1 ) δ=(0,±1)为水平方向扫描，也即 θ = 0 ∘ o r θ = 180 ∘ θ=0∘orθ=180∘； δ = ( ± 1 , 0 ) δ=(±1,0)为垂直扫描（ θ = 90 ∘ o r θ = − 90 ∘ θ=90∘orθ=−90∘）； δ = ( 1 , − 1 ) , δ = ( − 1 , 1 ) δ=(1,−1),δ=(−1,1)是 − 45 ∘ −45∘或 135 ∘ 135∘扫描； δ = ( 1 , 1 ) , δ = ( − 1 , − 1 ) δ=(1,1),δ=(−1,−1)是 45 ∘ 45∘扫描。 一旦像素间距离 d d以及像素间空间位置关系 δ δ确定，即可生成灰度共生矩阵。 GLCM所表示的是纹理图像的某些统计特性，所谓统计，通俗地讲就是累计某种情况出现的次数

摘要：针对现存车牌定位方法自适应性差和鲁棒性不强的情况，本文提出了一种新的快速自适应车牌定位算法．此算法结合图象中车牌区域的纹理特征、灰度和边缘投影信息定位车牌，经对不用场景、不同光照、不同车型的汽车图象的实验表明该算法具有快速，鲁棒性强，自适应性好的优点。 关键词：智能交通系统，车牌定位，纹理分析，灰度投影, 自适应 基于图象理解的汽车牌照自动识别系统是智能交通系统（ITS）的一个重要分支，有着非常广泛的应用前景，而把汽车牌照从复杂的汽车图象中分割出来是汽车牌照自动识别系统必须解决的关键问题。在过去的十几年中，各国的科研人员提出了不少提取汽车牌照的方法。Choi[1] 提出利用Hough变换寻找垂直边缘提取汽车牌照的方法，此方法由于许多汽车前部散热器产生的垂直边缘和某些牌照边框的扭曲或某些汽车牌照没有边框而鲁棒性较差。S.H.Park[2] 提出的一种基于神经网络提取汽车牌照的方法，使用二个时延神经网络在水平和垂直方向对输入的图象进行滤波，得到牌照的候选区域，然后利用牌照的长宽比、面积、面积与周长比来区分真正的牌照区域与类牌照区域。此方法要求图象中的牌照尺寸基本不变，一旦图象中的牌照尺寸发生了较大的变化，必须对神经网络重新进行训练。Barroso[5] 认为车牌区域具有较强的灰度变化特性，对图象分别做水平和垂直方向的投影，根据投影的波峰和波谷的特点来判断车牌区域的水平和垂直位置

起篇三连问： 第一问：何为数字图像的增强？ 个人理解，就是通过对图像进行平滑去噪、改变灰度级或者增强边缘，将我们想要的某些图像特征更明显的显现出来。这就是图像的增强，该过程重在对比度的拉伸。 第二问：费了半天劲，对图像增强对我们有什么好处理嘞？ 说白了，图像增强就是一个图像预处理的工作，将我们想要的图像特征弄的比较显眼，为后期的目标提取、识别等打下良好的基础。 第三问：图像增强的方法有哪些？ 有小伙伴该说了这个难不倒俺，有调整灰度级的灰度级变换法（什么线性的、非线性的、分段的。。。）、去除噪声的（什么低通、中值、均值。。。）、显示边缘的（什么高通、sobel算子、roberts算子。。。）。看到这样的回答我只能说：老铁没毛病。但我想说的是任你天花乱坠，我只认 时域 和 频域 。。。。嘿嘿。 OK，废话不多说了，看正文。。。。 咱们来看看在时域（也有人说是空域） 在时域中一般有两个方式： 灰度级变换和卷积操作 。接下来咱逐个来看哈。本节重点实现灰度级变换 灰度级变换，说明白点就是改变图像中部分像素点的灰度值，目的就是将灰度级扩展一下，将图像更亮暗分明些，仅此而已（在图像增强中属于最简单的一类）。大致方法就是线性变化和非线性变化两大类。线性变化中主要包含有：正比、反比和分段函数；非线性主要包含有：幂函数、对数函数等。原理比较简单，直接在代码中体现。 实例来咯